Комп’ютерна система прогнозування ризиків появи серцевих захворювань

Abstract

У кваліфікаційній роботі бакалавра спроектовано комп’ютерну систему прогнозування ризиків появи серцевих захворювань. До її складу входять дві основні компоненти: підсистема збору даних життєвих показників людини та інтелектуальний модуль прогнозування ризиків появи серцевих захворювань. Підсистему збору життєвих показників людини реалізовано за допомогою мобільних сенсорів, які кріпляться до організму людини, однокристального міні-комп’ютера Raspberry PI, як центрального вузла, що виконує функції контролера при передачі даних та хмарного сховища – для зберігання та аналізу зібраної інформації. В якості сенсорів, які кріпляться до тіла людини використано: пульсометр, давач температури тіла та вимірювач артеріального тиску. Окрім цього, для врахування параметрів навколишнього середовища, у якому перебуває людина, застосовано сенсори аналізу параметрів повітря: температури, вологості, наявності шкідливих речовин та інтенсивності світла. Інтелектуальний модуль прогнозування ризиків появи серцевих захворювань реалізовано за допомогою мови програмування Python та із застосування відкритих бібліотек машинного навчання. При моделюванні використано і досліджено характеристики шести моделей бінарної класифікації, у результаті якого встановлено, що найбільш ефективною є модель на основі випадкові лісів (Random Forest), що забезпечує точність прогнозування на рівні 97,5%.

The computer system for predicting the risk of heart disease has been designed in the bachelor's thesis. It consists of two main components: a subsystem for collecting data on human vital signs and an intelligent module for predicting the risk of heart disease. The human vital signs collection subsystem is implemented using mobile sensors attached to the human body, a single-chip Raspberry PI mini-computer, as a central node that acts as a controller for data transmission and cloud storage - to store and analyze the collected information. The following sensors attached to the human body: a heart rate monitor, a body temperature sensor and a blood pressure monitor. In addition, sensors for analyzing air parameters: temperature, humidity, the presence of harmful substances and light intensity were using to take into account the parameters of the environment in which a person is. The intelligent module for predicting the risk of heart disease is implemented using the Python programming language and the use of open machine learning libraries. The simulation used and investigated the characteristics of six models of binary classification, as a result of which it was found that the most effective model is based on random forests (Random Forest), which provides forecasting accuracy of 97.5%.