心臓地形データのためのインテリジェントなニュートロソフィック診断システム

心臓地形データの不確実性は、生物医学分野の分類にとって重要なタスクです。医師が胎児の心拍数を診断するのを助けるために、機械学習アルゴリズムを介して良好で効率的な分類器を構築する必要があります。提案されている中性ソシク診断システムは、バックプロパゲーションアルゴリズムに基づいた間隔中性腐敗性raudニューラルネットワークフレームワークです。これは、大まかなニューラルネットワークのパフォーマンスを改善するだけでなく、他のアルゴリズムよりも優れたパフォーマンスを達成するために、中性栄養セット理論の利点から恩恵を受けます。実験結果は、属性分布をよりよく理解するために、BoxPlotを使用してデータを視覚化します。提案されたフレームワークの混乱マトリックスのパフォーマンス測定は、それぞれ精度、精度、リコール、およびF1スコアに関する95.1、94.95、95.2、および95.1です。Wekaアプリケーションは、さまざまなアルゴリズム、例えばニューラルネットワーク、意思決定表、最近傍、およびラフなニューラルネットワークの心型データパフォーマンス測定を分析するために使用されます。他のアルゴリズムとの比較は、提案されたフレームワークが実行可能で効率的な分類器の両方であることを示しています。さらに、受信機の操作特性曲線は、それぞれ曲線下で高く受け入れられると見なされる0.93、0.90、および0.85の病理学的、正常、および疑わしい状態の提案されたフレームワーク分類を表示します。機能選択を介して非効率的な属性を削除することにより、提案されたフレームワークのパフォーマンス測定を改善することは、将来的には適切な進歩です。さらに、提案されたフレームワークは、コロナウイルス、ソーシャルメディア、衛星画像の分類など、さまざまな実際の問題でも使用できます。

Cardiotocography data uncertainty is a critical task for the classification in biomedical field. Constructing good and efficient classifier via machine learning algorithms is necessary to help doctors in diagnosing the state of fetus heart rate. The proposed neutrosophic diagnostic system is an Interval Neutrosophic Rough Neural Network framework based on the backpropagation algorithm. It benefits from the advantages of neutrosophic set theory not only to improve the performance of rough neural networks but also to achieve a better performance than the other algorithms. The experimental results visualize the data using the boxplot for better understanding of attribute distribution. The performance measurement of the confusion matrix for the proposed framework is 95.1, 94.95, 95.2, and 95.1 concerning accuracy rate, precision, recall, and F1-score, respectively. WEKA application is used to analyse cardiotocography data performance measurement of different algorithms, e.g., neural network, decision table, the nearest neighbor, and rough neural network. The comparison with other algorithms shows that the proposed framework is both feasible and efficient classifier. Additionally, the receiver operation characteristic curve displays the proposed framework classifications of the pathologic, normal, and suspicious states by 0.93, 0.90, and 0.85 areas that are considered high and acceptable under the curve, respectively. Improving the performance measurements of the proposed framework by removing ineffective attributes via feature selection would be suitable advancement in the future. Moreover, the proposed framework can also be used in various real-life problems such as classification of coronavirus, social media, and satellite image.