Mostafa-Mahmoud-H/Heart-Disease-Detection-Project

# 🏥 心病检测系统（混合人工智能方法） 一个用于心脏病风险评估的综合智能系统，集成了**基于规则的专家系统**（推理引擎）和**机器学习**方法。 ## 🚀 概述 本项目展示了两种不同的人工智能范式，用于解决临床诊断问题： 1. **基于规则的方法**：使用预定义的医学启发式规则提供可解释的风险评估。 2. **机器学习方法**：使用统计模式根据历史数据预测心脏病的概率。 ## 🛠️ 实施阶段 ### 1. 数据处理与 EDA - **清洗**：处理缺失值、删除重复项并处理异常值。 - **归一化**：对数值特征（年龄、血压、胆固醇）应用 `RobustScaler`。 - **编码**：对分类变量（胸痛类型、心电图结果）使用 `OneHotEncoder`。 - **可视化**：生成相关热图和特征重要性图以理解数据趋势。 ### 2. 基于规则的专家系统（Experta） - 使用 `experta` 库实现推理引擎。 - **规则**：定义了 13 条以上医学规则（例如年龄/胆固醇交互作用、血压阈值）。 - **推理**：使用前向链机制将患者分类为 `低`、`中等` 或 `高风险` 级别。 ### 3. 机器学习模型（决策树） - **算法**：Scikit-Learn 的 `DecisionTreeClassifier`。 - **管道**：将预处理和模型训练集成到单个 `joblib` 管道中以保持一致性。 - **指标**：使用准确率、精确率、召回率和 F1 分数进行评估。 ### 4. 集成与 UI（Streamlit） - 开发了一个交互式网络仪表板，用户可以输入患者临床数据并接收双重诊断结果（机器学习与专家系统）。 ## 📂 项目结构 ``` Heart_Disease_Detection/ │── data/ # Raw and preprocessed CSV datasets │── notebooks/ # Data analysis and model training notebooks │── rule_based_system/ # Expert system engine (expert_system.py) and rules (rules.py) │── ml_model/ # Training scripts, prediction logic, and saved .pkl models │── reports/ # Accuracy comparison and evaluation scripts │── ui/ # Streamlit web application (app.py) │── utils/ # Helper scripts for data cleaning │── requirements.txt # Project dependencies └── README.md # Project documentation ``` ## 🏁 运行方法 安装依赖项： Bash pip install -r requirements.txt 启动仪表板： Bash streamlit run ui/app.py ## 👥 开发团队 - * Nour Saudi - * Omar Mohamed Mostafa - * Mostafa Mahmoud

标签：Apex, EDA, Experta, F1分数, Kubernetes, OneHotEncoder, RobustScaler, Scikit-Learn, Streamlit, Web仪表板, 临床诊断, 交互式诊断, 健康风险评估, 决策树, 决策树分类, 准确率, 医学规则, 医疗数据, 召回率, 可解释AI, 心脏病诊断, 心血管疾病检测, 推理引擎, 数据清洗, 数据预处理, 智能诊断, 机器学习, 模型评估, 混合AI, 特征工程, 精确率, 规则专家系统, 访问控制, 逆向工具