การศึกษาตัวจำแนกประเภทการเรียนรู้ของเครื่องเพื่อทำนายโรคหลอดเลือดสมอง

ฐิติพร อ้ายดี

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/80072

Title:	การศึกษาตัวจำแนกประเภทการเรียนรู้ของเครื่องเพื่อทำนายโรคหลอดเลือดสมอง
Other Titles:	A study of classifiers in machine learning for stroke prediction
Authors:	ฐิติพร อ้ายดี
Advisors:	วิบูลย์ แสงวีระพันธุ์ศิริ
Other author:	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
Issue Date:	2564
Publisher:	จุฬาลงกรณ์มหาวิทยาลัย
Abstract:	โรคหลอดเลือดสมองเป็นโรคที่มีอัตราการเสียชีวิตสูงและยังเป็นสาเหตุที่ทำให้เกิดการพิการ การทำวิทยานิพนธ์นี้มีจุดประสงค์ศึกษาตัวจำแนกประเภทในการเรียนรู้ของเครื่องที่มีประสิทธิภาพกับการทำนายโรคหลอดเลือดสมอง โดยใช้ตัวจำแนกประเภทกับข้อมูลที่ได้จากบันทึกของศูนย์โรคหลอดเลือดสมองแบบครบวงจรโรงพยาบาลจุฬาลงกรณ์ พิจารณากับปัจจัยเฉพาะและทำการทดลองเพื่อความแม่นยำในการทำนายผล การศึกษาตัวจำแนกประเภทมีทั้ง K-Nearest Neighbors, Support Vector Machine, Random Forest และ Adaboost ปรับจูนพารามิเตอร์ที่เหมาะสมกับข้อมูลทางการแพทย์ที่มีอยู่ ตัวจำแนกประเภทแบบ Random Forest ให้ผลลัพธ์ค่าเฉลี่ยความแม่นยำ 78% ในข้อมูลโรงพยาบาลจุฬาลงกรณ์ รวมถึงวิเคราะห์ปัจจัยเสี่ยงที่ทำให้เกิดโรคหลอดเลือดสมองด้วยวิธีการเรียนรู้ของเครื่องจากข้อมูลชุดที่ทำการศึกษา โดยใช้ TreeExplainer ประมาณค่าของ shapley value เพื่อแสดงผลความสำคัญของปัจจัยเฉพาะ ทั้งนี้เพื่อต่อยอดแนวทางในการปรับใช้ข้อมูลที่จะเก็บเพิ่มขึ้นได้ในอนาคต
Other Abstract:	Stroke has a high mortality rate and causes disability worldwide. Studying machine learning classifiers for stroke prediction is the purpose of this research. The Chulalongkorn Stroke Center of Excellence provides stroke patient data for this study. These data features and experiments were generated machine learning model with high true positive rate. K-Nearest Neighbors, Support Vector Machine, Random Forest and Adaboost are the classifiers that operated in this study. In the dataset from the King Chulalongkorn Memorial hospital, Random Forest produced high average precision of 78 percent. Moreover, machine learning were used to analyze the primary risk factor for stroke. TreeExplainer plots estimated shapley value for feature importance. This study will monitor and develop model for future data.
Description:	วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2564
Degree Name:	วิศวกรรมศาสตรมหาบัณฑิต
Degree Level:	ปริญญาโท
Degree Discipline:	วิศวกรรมเครื่องกล
URI:	http://cuir.car.chula.ac.th/handle/123456789/80072
URI:	http://doi.org/10.58837/CHULA.THE.2021.903
metadata.dc.identifier.DOI:	10.58837/CHULA.THE.2021.903
Type:	Thesis
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
6270344821.pdf		2.53 MB	Adobe PDF	View/Open

Show full item record