توسعه تکاملی شبکه های عصبی مصنوعی بر پایه یادگیری تطابقی برای تشخیص بیماری های قلبی

یکی از رایج ترین دلایل مرگ و میر در جهان بیماری های قلبی به ویژه بیماری عروق کرونر است که در دو دهه اخیر، محققان تلاش های زیادی برای ابداع یک روش دقیق و کم هزینه برای تشخیص آن انجام داده اند. در این مقاله، یک مدل جدید بر پایه شبکه عصبی برای تشخیص بیماری عروق کرونر پیشنهاد می شود. این مدل شامل یک شبکه پرسپترن چند لایه است که برای بهبود عملکرد شبکه عصبی از الگوریتم بهینه سازی ژنتیک جهت پیدا کردن وزن های (نزدیک به) بهینه به عنوان وزن های ورودی، و از الگوریتم یادگیری تطابقی چند شروع به بر مبنای درخت برای تنظیم نرخ یادگیری استفاده می شود. در طی هر دوره از آموزش، شبکه عصبی به طور مستقل با چندین نرخ یادگیری که توسط الگوریتم درختی بر مبنای جستجوی اول سطح ایجاد شده آموزش داده می شود، و نرخی که به کوچک ترین میزان خطای شبکه عصبی منجر شود به عنوان نرخ یادگیری واقعی انتخاب خواهد شد. در روش پیشنهادی، برای اولین بار از ترکیب الگوریتم ژنتیک و الگوریتم یادگیری تطابقی چند شروع بر مبنای درخت برای بهبود عملکرد شبکه پرسپترون چند لایه استفاده می شود. عملکرد مدل پیشنهادی براساس معیارهای ارزیابی مختلف شامل دقت، حساسیت و وضوح و با استفاده از روش اعتبارسنجی متقابل 10 لایه بر روی دو مجموعه داده قلبی از پایگاه UCI مورد ارزیابی قرارگرفت. همچنین، نتایج مقایسه روش پیشنهادی با روش های استفاده شده در پیشینه تحقیق نشانمی دهد که دقت مدل پیشنهادی در تشخیص بیماری قلبی بیشتر از سایر روش ها است.

Keywords:

شبکه عصبی مصنوعی , الگوریتم ژنتیک , الگوریتم یادگیری تطابقی , بیماری قلبی