Disease Prediction of Depression and Heart Trouble using Data Mining Techniques and Factor Analysis

데이터마이닝 기법 및 요인분석을 이용한우울증 및 심장병 질환 예측

Abstract

Nowadays, the number of patients committing suicide due to depression and stress is rapidly increasing. In addition, if stress and depression last for a long time, they are dangerous factors that can cause heart disease, brain disease, and high blood pressure. However, no matter how modern medicine has developed, it is a very difficult situation for patients with depression and heart disease without special drugs or treatments. Therefore, in many countries around the world, studies are being actively conducted to determine patients at risk of depression and patients at risk of suicide at an early stage using electrocardiogram, oxygen saturation, and brain wave analysis functions. In this paper, in order to analyze these problems, a computer simulation was performed to determine heart disease risk patients by establishing heart disease hypothesis data. In particular, in order to improve the predictive rate of heart disease by more than 10%, a simulation using fuzzy inference was performed.

요즘, 우울증 및 스트레스로 자살하는 환자가 급증하고 있다. 뿐만 아니라, 스트레스 및 우울증이 오래 지속되면, 심장병 및 뇌 질환, 고혈압 등을 유발할 수 있는 위험한 요소로 질환이다. 그러나, 아무리 현대 의학이 발전하였지만, 우울증 및 심장병 환자에게는 특별한 약이나 치료제가 없는 매우 난감한 상황이다. 그러므로, 세계 여러 나라에서, 심전도 및 산소포화도, 뇌파 분석 기능을 이용해서 우울증 위험환자 및 자살 위험환자를 조기에 판단하는 연구가 활발하게 이루어지고 있다. 본 논문에서는, 이러한 문제점을 분석하기 위해서, 심장병 가설데이터를 수립해서, 심장병 위험환자를 판단하는 컴퓨터 모의실험을 수행하였다. 특히, 심장병 발생 예측을 을 10% 이상 향상하게 시키기 위해서, 퍼지 추론을 사용하는 모의실험을 수행하였다.

Ⅰ. 서론

우리나라 심혈관 질환은 암에 이어서, 사망원인 2위이다. 심혈관 질환의 주요 원인인 동맥경화는 혈관에 콜레스테롤이나 중성지방이 쌓여 혈관이 좁아지고 딱딱하게 굳어지면서 결국 막히는 질환으로, 아쉽게도, 심장병 질환 위험도를 줄이거나 없애는 확실한 방법은 아직 없는 상황이다^[1-2].

현재로서는, 환자가 이미 동맥경화 질환이 있는 경우에는, 더 이상 진행하지 않게 하거나, 동맥경화로 인한 사망이나 합병증을 예방하는 데 초점을 맞추고 있다. 2008년부터 2017년 까지, 국가건강검진 수검자 가운데 심장 건강에 이상이 없고 20세 이상인 500만 명을 대상으로 10년간 데이터를 분석했다. 그 결과, 우울증을 앓고 있으면 심방세동이 발생할 위험이 1.25배 높았다^[3]. 뿐만아니라, 대한가정의학회지에 게재된 논문 연구 결과, 우울증이 있는 사람은 심장병과 뇌 질환도 주의할 필요가 있다는 연구 결과가 발표되고 있다. 왜냐하면, 우울증이 있으면 코르티솔 호르몬 수치가 높은데, 이것이 내장 지방량을 늘리고 고지혈증 위험을 높이기 때문으로 추정되기 때문이다^[4]. 특히, 스트레스는 만병의 근윈 이다. 스트레스로 인해서, 심박수가 증가하고, 불규칙한 심장 박동 질환이 오래 지속되면, 심장질환 및 뇌졸중 초기 질환이 유발될 수 있으므로 우울증 및 스트레스가 오래 지속되지 않도록 자연치유 및 명상 치료를 하는 것이 중요하다. 본 논문에서는, 이러한 문제점을 해결하기 위해서, 우울증 자기진단 및 조명치료 기반 우울증 치료 및 심장병 위험도 예측 판단용 컴퓨터 모의실험을 수행하였다. 본 논문에서는 188명 실허맥 환자데이터 요인분석 및 군집분석을 수행 해서, 심장병 조기에 예측하는 컴퓨터 모의실험을 진행하였다. 본 논문의 구성은 다음과 같다.

한방 과학화를 위해서 2장에서는 심장병 환자 자가 진단 TEST 및 우울증 및 심장 질환, 자가 진단 이론에 관해서 알아보고, 3장에서는 심장병 환자 요인분석에 관해서 알아본다. 4장에서는 FUZZY 추론 시스템 기반 심장병 환자 자동 판단 모의 실험결과를 설명하고, 5장에서는 한양방 과확화 기반 심장병 자동 판단 기계학습 요인분석에 관해서 설명한다.

Ⅱ. 우울증 및 심장병 자가진단

최근 연구결과에 의하면, 불안증이나 우울증, 정신분열증과 같은 정신질환을 앓고 있는 환자는 심장질환이나 당뇨병으로 일찍 사망할 위험이 높다는 연구 결과가 나왔다^[3-4]. 본 논문에서는 이러한 문제점을 위해서, WEB 기반에서 우울증 자기진단 시스템을 컴퓨터 모의실험 하였다.

그림 1에서는, 스트레스 판단 및 우울증 판단 신뢰도를 판단하기 위해서, 문항 1번부터 문항 10번까지, 자기 신체 반응 조건을 선택하면, AI 규칙 기반 전문가시스템 추론 기능을 이용해서, 우울증 위험도를 자동으로 자가 진단하는 과정 및 오픈소스 기반 챗봇을 이용해서, 우울증 심리 상담 과정을 설명하고 있다. 스트레스 는 만병의 근윈 이다. 스트레스 로 인해서, 심박수가 증가하고, 불규칙 한 심장 박동 질환이오래 지속 되면, 뇌졸증 초기 질환이 유발 될 수 있으므로 우울증 및 스트레스 가 오래 지속되지 않도록 자연치유 및 명상 치료를 하는 것이 중요하다.

그림 1. 스트레스 판단 및 우울증 자가 진단 TEST

Fig. 1. Stress judgment and depression self-diagnosis test

다시 말해서, 기분이 좋지 않고, 화가 날 때, 파란 하늘이나 들판을 바라만 보고 있어도 기분이 가라앉거나 우울할 때 춤을 추면 우울한 기분이 사라지는 등의 현상은 자연치유 기법으로 치유할 수 있기 때문이며, 이러한 자연치유는 우울증, 고혈압, 심장질환, 각종 만성 질환 등의 치료에 사용되고 있다. 본 논문에서는, 음악치료 및 색채치료 기반 뇌파 치료를 이용해서, 우울증 및 스트레스를 개선하는 알고리즘을 제안하고 모의실험 하였다. 색채치료는 심리나 정서 치료에 활용될 뿐 아니라 현대 의학적으로도 활발하게 활용되고 있다. 다시 말해서, 색채치료는 색채가 가지고 있는 고유한 색깔마다, 서로 다른, 강력한 고유의 파장과 에너지가 있다는 점을 이용해서, 각종 질병에 걸린 환자의 신체와 마음을 치료하는 것이다. 비록 색채치료는, 의사가 병원에서 수술하고, 환자의 여러 가지 질병을 치료하는 적극적인 방법은 아니지만, 명상치유 및 자연치유 기법을 이용해서, 우울증 및 심장병, 고혈압, 암환자 의 건강을 회복하고 통증을 감소하는데에 도움이 되는 대채 기법으로 활용되고 있다.

Ⅲ. 뇌파기반 조명치료

최근에 발표된 조명 치료 연구 결과에 의하면 파란빛은 피부질환이나 류머티즘, 각종 염증에 좋은 효과가 있으며 초록색은 혈압을 낮추는 작용을 하고, 두통, 신경성 불안감 등에 효과가 있다고 발표하였다. 뿐만 아니라, 빨간빛은 우울증, 전반적 기능감퇴에 도움이 되고, 보라색 빛은 심장질환, 폐 질환, 혈관에 좋은 효과가 있다고 발표하였다^[6].

본 논문에서는, 뇌파 측정기를 사용하여서, 우울증을 치료하는 컴퓨터 모의실험을 진행하였으며, 본 논문에서는 뇌파 데이터를 통해 LED를 제어하는 프로그램을 구현하였다. 뇌파 기반 명상치유 집중도 샘플링 시간은 다음과 같으며, 베타파(긴장, 집중 상태)와 알파파(안정, 이완, 편한 상태)로 알고리즘 한 Attention(집중도), Meditation (명상도, 이완도)과 눈의 깜박임의 정도를 1초 단위로 추출하였다.

그림 2 에서는 뇌파 기반 조명 동작 화면을 설명하고 있다. 본 논문에서는, Mind Wave 2인 뇌파 측정기를 사용하여 베타파(긴장, 집중 상태)와 알파파(안정, 이완, 편한 상태)로 알고리즘 한 Attention(집중도), Meditation(명상도, 이완도)과 눈의 깜박임의 정도를 1초 단위로 추출하고 RGB 센서로 구성하였다.

그림 2. 뇌파 기반 조명 동작 화면

Fig. 2. Brain waveform-based lighting therapy execution screen

Ⅳ. 모의실험

심장질환은 나이가 증가할수록, 나이별 사망률도 증가한다. 특히 1970년대 이후부터, 현재까지, 사망률이 무려 80% 이상으로 분류되는 위험한 질병이다. 2020년, 대한민국에서, 심근경색 질환은, 사망자가, 1순위 암 환자 다음으로 분류되는, 2순위 질병이다. 다시 말해서, 심장질환은 평소 증상이 없다가도 갑자기 극심한 통증을 유발하므로, 병원에 도착하기도 전에 환자의 1/3을 사망에 이르게 하는 매우 위험한 질병이다. 심장질환은 크게 허혈 심장 질환과 기타 심장질환으로 2가지로 분류할 수 있으며, 허혈 심장질환 은 협심증, 심근경색증 및 돌연사를 포함한 매우 위험한 질병으로 분류할 수 있다.

뿐만 아니라, 한의학에서는, 똑같은 질병을 앓고 있는 환자를 치료하기 위해서, 허증(虛症)과 실증(實症)의 2가지 상반되는 개념으로 분류하고 있다. 허증이란, 질병 초기에, 면역력이 갑자기 떨어져서, 허약하다는 말로 원기가 부족한 상태를 의미하며, 실증이란. 질병 상태가 오래 가서, 사기, 즉 병 기운이 가득한 때를 의미한다. 본 논문에서는, 상지대에서 2013년 복지부 국가연구비로 수행하고, 상지대 한방병원 한의사가 검증한 실제, 임상데이터 실맥 및 허맥 188명 데이터를 WEKA 데이터 마이닝 TOOL로 요인분석 및 군집분석을 해서, 똑같은 조건의 심장병 환자라도 면역력 조건이 좋은 심장병 환자 및 면역력 조건이 나쁜 환자로 가설을 수립하고, 허맥의 환자였으면 심장병 초기 증세로 가정하였으며, 실백의 환자 경우에는 만성 환자로 가정을 해서, 허맥의 환자였으면, 똑같은 심장병 위험 조건이 감지 된 경우라도, 면역력이 갑자기 저하된 심장병 환자로 가정을 하였다.

표 1에서는, 상지대에서 2013년 복지부 국가연구비로 수행하고, 상지대 한방병원 한의사가 검증한 실제, 임상 데이터 실맥 및 허맥 188명 데이터를 설명하고 있다.

표 1. 실맥 허맥 188명 실제 임상 데이터

Table 1. Table 1 Actual clinical data of 188 patients with SIL PULSE and HUE PULSE

본 논문에서 사용된 심장병 진단 데이터는, 최근에 공개된 당뇨병환자 위험 판단 데이터(DIABERT.CSV) 및 심장병 환자 위험 판단 데이터 셋(HEART.CSV)을 65% 이용하고, 심장병 질환을 초가에 판단 할 수 있는 실맥 데이터, 허맥데이터, 혈관 노화도 3개 가설데이터를 35% 추가해서, 심장병 초기 질환을 판단하는 컴퓨터 모의실험을 수행하였다.

왜냐하면, 표 2에서 보는 것처럼, 심장병 환자는 ECG, 산소포화도, 가슴 통증, 혈류속도, 혈관 노화도, 심박수, 고혈압, 당뇨 수치 등, 여러 가지 생체 정보를 이용해서, 심장병 위험도를 판단하고 있다. 그러나, 심장병 중기 및 말기 환자는, 기존의 양방 기법으로, 심장병 환자를 정확하게 판단 할 수 있지만, 초기의 심장병 환자는 현재, 양방 기술로는 판단하기가 매우 어려운 현실이다. 그러므로 심장질환 및 심방세동 환자를 정확하게 판단하려면, 반드시, 병원에 입원해서 ECG 신전도 검사를, 24시간–48시간 받아야 하는 실정이다.

표 2. 심장병 예측 판단용 400명 가설 데이터

Table 2. 400 hypothetical data for heart disease predictive judgment

표 2에서는 심장병 진단용 400명 가설데이터를 설명하고 있다. 우울증 및 스트레스가 오래 방치되면, 건강한 사람도, 암, 당뇨병, 고혈압, 심장질환, 뇌경색 질환을 유발하는 확률이 높아진다고 한다. 본 논문에서는 이러한 문제점을 개선하기 위해서, 2013년 상지대학교 한방 병원 한의사가 검증한 실맥 및 허맥 188명 실제 임상 데이터를, 확장해서, 400명 가설데이터에 삽입하고, TENSOR FLOW 공개소스 파이썬을 이용해서, 심장병 위험도 모의실험을 진행 하였다. 다시 말해서, 허맥의 환자인 경우에는, NOT 조건을 데이터베이스에 추가해서, 실맥인 경우 환자와 허맥인 환자의 경우에, 심장병 위험 수치가 다소, 낮거나, 높게 평가할 수 있도록, 데이터 마이닝 WEKA TOOL을 이용해서, 심장병 위험도 자동 판단 요인분석 컴퓨터 모의실험을 수행하였다.

표3에서는 스트레스 및 우울증 진단을 하기 위해서, 심장병 진단용 독립변수 및 종속 데이터를 설명하고 있다. 입력변수는 독립변수 데이터 8가지, 종속 데이터 1개, 총 9개를 설명하고 있다. 독립변수 데이터는 어지러움, 심박수, 가슴 통증, 혈관 노화도, 식후혈당, BMI, 허맥, 실맥 8개를 가설데이터로 400개를 를 작성 하였으며 80% 는 훈련데이터 20%는 테스트 데이터로 사용 하였다^[6-10]. 컴퓨터 모의실험결과, 1차 예측 진단 결과, 78% 이상 심장병 위험도 예측률을 보이는 것을 확인하였다. 다만, 똑같은 환자라도 콜레스테롤 조건 및 나이 조건에 따라서 전처리 조건 값이 달라지기 때문에, 산소포화도, 혈관 속도 2가지 조건을 후처리로 퍼지 추론해서, 신뢰도를 10% 이상 개선하는 것을 입증하였다.

표 3. 심장병 진단용 독립변수및 종속 변수

Table 3. Independent and dependent variables for diagnosis of heart disease

<< 딥러닝 기반 심장병 질환 예측 알고리즘 >>

Y : 심장병 질환 위험도 ==> 자동 판단

Y = β₀ + β₁X₁ + β₂X₂ + β₃X₃ + ⋯ + ε

X₁ : 종속 변수에 영향을 주는 요인 1

X₂ : 종속 변수에 영향을 주는 요인 2

X₃ : 종속 변수에 영향을 주는 요인 3

⋮

X₈ : 종속 변수에 영향을 주는 요인 8

(1) offsets, weight를 초기화한다.

(2) input, target의 패턴을 신경망에 제시

(3) 출력 신경세포들의 에러와 델 터를 구해서 은닉층으로 역 전파한다.

ej = tj – aj       (1)

δj = aj ( 1 - aj ) ej       (2)

(4) 역 전파된 델타로부터 은닉층 신경세포들의 에러와 델타를 구해서 역 전파한다.

δj = aj ( 1 - aj )ej       (3)

(5) 델타 규칙에 따라서 연결가중치를 조절한다.

W(new)ij=W(old)ij+αδiaj+βΔwij(old)       (4)

bias(new)ij=bias(old)ij+αδ.*1+βΔbiasij(old)       (5)

여기서:

w(new)ij : 신경세포 i, j 사이의 조절된 후 연결가중치

w(old)ij : 신경세포 I, j 사이의 조절되기 전 연결가중치

α : 학습률(0 < α <=1) α : 학습률 (0 〈 α ≤ 1)

ej : 신경세포 j의 에러

Ai : 입력층 신경세포 i의 활성 값

tj : 목적 패턴 출력층 신경세포 j에 대응하는 값

aj : 출력층 신경세포 j의 활성 값

δi : 신경망 i의 델 터

δj : 신경망 j의 델 터

bias(new)ij: 신경세포 i, j 사이의 조절된 후 종속변수 y 절편값

bias(old)ij: 신경세포 I, j 사이의 조절되기 전 종속변수 y 절편값

βΔbiasij(old):모멘텀

wij: 신경세포 i에서 신경세포 j로 가는 연결가중치

그림 3에서는, 심장병 환자 판단을 하기 위해서, 학습용으로 80%의 데이터를 사용하고, 테스트용으로 20%의 데이터를 이용한, 심장병 예측확률 모의실험 결과를 설명하고 있다. 에포크 1000번을 반복했을 때, 손실률은 13%이고, 정확도는 83%인 것을 설명하고 있으며, 심장병 초기증세를 판단하기 위해서, 실맥 확률 및 허맥 확률을, 추가로 가설 독립 데이터로 설정하고, 입력했을 때, 허맥 확률이 높은 경우에는 심장병 예측확률 종속변수 값이, 기존의 예측률보다 15% 낮게 판단 하는것을 확인할 수 있다.

그림 3. 심장병 예측확률 모의실험 결과

Fig. 3. Heart disease prediction probability simulation results

그림 4에서는 심장병 예측 상관도 분석 모의실험 결과를 설명하고 있으며, class 항목을 보면, Dizziness부터 SiLPulse 까자 상관도가 숫자로 표시되어 있고, 숫자가 높을수록 어두운 색상임을 알 수 있다. 독립변수: EART-RATE(0.46) 심장 박동수 항목이, 종속변수 심장병 위험도를 판단하는 데에, 가장 상관관계가 높다는 것을 알 수 있으며, 독립변수: BMI(0.29) 체질량 지수 항목이, 종속변수 심장병 위험도를 판단하는 데에, 두 번째로 상관관계가 높다는 것을 알 수 있다. 그러므로, 심장병 질환을 판단하는 데에는, 심장박동수 및 체질량지수가 중요한 항목을 의미한다는 것을 입증하였다.

그림 4. 심장병 예측 상관도 분석

Fig. 4. Cardiac disease prediction correlation analysis

그림 5 에서는, 데이터마이닝 기반 실맥 허맥 요인분석 결과화면을 설명하고 있다. 본 논문에서는, 인터넷에서, 공개된 DIABET.CSV을 기반으로 심장병 위험도를 판단하는 가설데이터를 작성하였다.

그림 5. 데이터마이닝 기반 실허맥 요인분석 결과화면

Fig. 5. Data mining-based forceful heart deficient factor analysis result screen

그림 6에서는 WEKA TOOL 신경망을 이용해서, 실맥 상관도 기반 심장병 예측 결과화면을 설명하고 있으며, 입력 조건은, 그림 3에서 보는 것처럼 어지럼증, 심박수, 가슴 통증, 혈관 노화도, 식후혈당, BMI, 실맥, 허맥 8가지 조건이며, 출력조건은 심장병 판단 위험도를 분석하는 과정을 설명하고 있다. 특히, 본 논문에서는 그림 5에서 보는 것과 같이신경망 가중치를 업데이트할 때 이전 가중치의 업데이트 값의 일정 비율을 더하는 과정을 수행 및 가중치가 local minimum에 빠지지 않게 하려고, 모멘텀을 0.2로 조정하였다. 뿐만 아니라, 신경망 학습률이 크게 설정하면, 학습 속도는 빠르게 진행되지만, 오버플로우 오류가 발생하고, 반면에, 학습률이 너무 낮으면 너무 낮으면 학습 속도가 느려지고 오류 값이 너무 많아지는 현상이 발생한다. 본 논문에서는 이러한 문제점을 해결하기 위해서, 학습 속도는 0.3으로 설정하였으며, 에포크는 500번 시행 하였다.

그림 6. WEKA TOOL 신경망 기반 심장병 위험도 예측

Fig. 6. WEKA TOOL neural network-based heart disease prediction risk

그림 7에서는, MATLAB 기반 심장병 예측 판단 퍼지 멤버십 함수를 설명하고 있다. 표 2에서 설명한 것처럼, 심장병 환자 예측을 하기 위해서, 표 1과 같이, 심장병환자 훈련데이터 400개를 가설로 세우고 독립변수 8개를 입력하면, 그림 3에서 설명한 것처럼, 기계학습 오프노스 기반 텐서플로우 SW를 이용해서, 80% 이상 정확도로 심장병 환자를 판단하게 된다^[11-15]. 다만, 심장병 환자는 초기에 발견하기가 매우 어렵기 때문에, 심장병 환자 위험도를 객관적으로 판단 할 수 있는 부정맥 판단 심전도 위험도: ECG 멤버쉼 함수 및, 나이가 들수록 심장병 환자가 급증하는 객관적 데이터를 근거로, 나이 : AGE 멤버쉽 함수를 2가지 입력 조건으로 구성하고, 출력 조건으로 심장병 판단 위험도를 산출하는 퍼지 멤버쉽 함수를 설계 하였다.

그림 7. MATLAB기반 심장병예측 판단 퍼지 멤버십 화면

Fig. 7. Matlab-based heart disease prediction judgment fuzzy membership screen

그림8에서는, MATLAB 기반 심장병 예측 판단 퍼지 규칙을 설명하고 있다. 총 규칙은 12개로 구성 하였다.

그림 8. MATLAB 기반 심장병 예측 판단 퍼지 규칙

Fig. 8. Fuzzy rules for predicting heart disease based on MATLAB

2021년 세계 심장병 학회에서, 30대부터 심장병 질환이 시작하고, 40대-50대부터 심장병 환자가 급증 하기 때문이다. 다시 말해서, ECG 50% 이고, AGE 50% 인 경우, 심장병 위험도가 62% 로 예측결과를 판단 하고 있다.

[System]

Name='FN-200-HEART--12'

Type='mamdani'

Version=2.0

NumInputs=2

NumOutputs=1

NumRules=12

AndMethod='min'

OrMethod='max'

ImpMethod='min'

AggMethod='max'

DefuzzMethod='centroid'

[Input1]

Name='ECG'

Range=[0 100]

NumMFs=3

MF1='SMALL':'trapmf',[-17.5 -9.127 17.75 46]

MF2='AVERAGE':'gaussmf',[15 50]

MF3='BIG':'trapmf',[68.12 82.5 107.5 127.5]

[Input2]

Name='AGE'

Range=[0 100]

NumMFs=3

MF1='small':'gaussmf',[14.82 -0.95]

MF2='medium':'gaussmf',[12.74 50]

MF3='big':'gaussmf',[21.2 100.076455026455]

[Output1]

Name='DANGER'

Range=[0 118]

NumMFs=3

MF1='LOW':'trapmf',[-133 3.9 18.8 43.2354497354497]

MF2='MIDDLE':'gaussmf',[10.01 59.15]

MF3='HIGH':'trapmf',[55.7296296296296 100.62962962963 118.62962962963 178.62962962963]

[Rules]

3 0, 3 (1) : 2

2 0, 2 (1) : 2

3 3, 3 (1) : 1

3 3, 3 (1) : 2

2 2, 2 (1) : 2

3 0, 3 (1) : 2

1 0, 2 (1) : 2

1 1, 1 (1) : 1

0 3, 3 (1) : 2

1 1, 2 (1) : 2

1 0, 1 (1) : 2

0 1, 1 (1) : 2

그림 9에서는, MATLAB 기반 심장병 예측 판단 퍼지 규칙을 설명하고 있다. 총 규칙은 12개로 구성 되었으며, 처음 화면에서 보는 것처럼 ECG 위험수치 72, AGE 72세인 경우에는 심장병 위험도가 62 %로 예측 결과를 판단 하고 있다. 두 번째 화면에서 보는것처럼, ECG 위험 수치 71, AGE 17세인 경우에는 심장병 위험도가 51 %로 감소되는 예측 결과를 판단 하고 있다. 다시 말해서, 그림 3에서 예측한 심장질환 예측율을 10% 이상 향상하게 시키기 위해서, 부정맥 진단용 ECG, AGE 멤버십 항수를 추가해서, 그림 9에서 실험 결과를 확인할 수 있는 것처럼, 똑같은 ECG 환자 위험도 입력 수치가 71-72인 경우에, AGE 입력 수치에 따라서, AGE가 고령 71세인 경우에는 심장병 예측 판단율이 81%로 예측되고, AGE가 청소년 17세인 경우에는 심장병 예측 판단율이 51%로 감소하는 것을 확인할 수 있다. 

그림 9. MATLAB 기반 심장병 예측 판단 퍼지 규칙

Fig. 9. Fuzzy rules for predicting heart disease based on MATLAB

Ⅴ. 결론

요즈음, 심장질환 치료를 위해서, 한방 병원에서는, 인공지능 기반 맥진기, 설진기, 양도락기 등을 이용해서 심장병 질환을 예측한다. 뿐만 아니라, 양방 병원에서는 기계학습 기반, 어지럼 증세, 호흡수, 부정맥, BMI, 식후혈당, ECG, 가슴 통증, 심장 박동수, 등을 이용해서, 심장병 질환을 예측하는 연구가 많이 진행되고 있다. 그러나, 한방 병원이나 양방 병원에서, 심장질환 환자를 초기에 예측하기는 어려운 현실이다. 왜냐하면, 심장병 환자가 부정맥이 있고 가슴 통증 증세가 있더라도, 환자가 근심 걱정이 없고, 기분이 좋은 최고의 심리 상태가 유지되면, 심박수 및 부정맥, 호흡수, 가슴 통증 등의 정량적인 수치가 갑자기 호전되어서, 정상인과 같은 심장 박동수를 유지하는 특성이 있기 때문이다. 왜냐하면, 심장은 환자의 정신상태에 따라서, 부정맥, 가슴 통증, 호흡수가 크게 변하기 때문이다. 특히, 화가 많은 상태, 근심 걱정이 많은 상태, 목욕, 음주 후에는, 심박수 조건이 다소 위험하게 측정되기 때문이다. 한의학에서는, 똑같은 질병을 앓고 있는 환자를 치료 하기위해서, 허증(虛症)과 실증(實症)의 2가지 상반되는 개념으로 분류하고 있다. 허증이란, 질병 초기에, 면역력이 갑자기 떨어져서, 허약하다는 말로 원기가 부족한 상태를 의미하며, 실증이란. 질병 상태가 오래가서, 사기, 즉 질병 기운이 가득한 때를 의미한다. 본 논문에서는, 실제, 실맥 및 허맥 400명 임상 가설데이터를 수립하고, WEKA 데이터 마이닝 TOOL로 요인분석을 수행해서, 심장병 초기 질환을 판단하는 컴퓨터 모의실험을 수행하였다. 뿐만아니라, 심장병 발생 예측율을 10% 이상 향상하기 위해서, 퍼지추론을 사용하는 컴퓨터 모의실험을 수행하였다.