فرزاد زندی - کاندیدای دکتری علوم کامپیوتر دانشگاه آزاد اسلامی واحد اراک
غلامرضا حیدری جونقانی - عضو هیات علمی گروه ریاضی و علوم کامپیوتر دانشگاه آزاد اسلامی واحد اراک

در دهه های اخیر, بیماری قلبی به دلیل شیوع و خطر بالای مرگ, سلامت افراد را به طور جدی تهدید می کند. بنابراین,پیش بینی بیماری قلبی از طریق برخی شاخص های فیزیکی ساده که از معاینه فیزیکی منظم در مراحل اولیه به دست می آید,به موضوعی ارزشمند تبدیل شده است. از نظر بالینی, حساس بودن به این شاخص های مربوط به بیماری قلبی برای پیش بینیو ارائه یک مبنای قابل اعتماد برا ی تشخیص بیشتر ضروری است. با این حال, حجم زیاد داده ها, تجزیه و تحلیل دستی وپیش بینی را سخت و دشوار می کند. هدف این تحقیق پیش بینی بیماری قلبی با دقت و سرعت از طریق شاخص های مختلفبدن است. در این مقاله, یک مدل جدید پیش بینی بیماری قلبی ارائه شده است. در این مقاله یک الگوریتم پیش بینی بیماریقلبی پیشنهاد شده است که روش انتخاب ویژگی تعبیه شده و شبکه های عصبی عمیق را ترکیب می کند . روش انتخاب ویژگی تعبیه شده مبتنی بر الگوریتم LinearSVC است که از نرم L۱ به عنوان یک فاکتور جریمه بر ای انتخاب زیرمجموعه ای از ویژگی های مرتبط با بیماری قلبی استفاده می کند. این ویژگی ها به شبکه عصبی عمیقی که در این تحقیق ساخته شده است وارد می شوند. وزن شبکه با مقداردهی اولیه He مقداردهی اولیه می شود تا از ناپدید یا سرریز شدن گرادیان جلوگیری شود تا پیش بینی کننده بتواند عملکرد بهتری داشته باشد. مدل پیشنهاد شده در این تحقیق بر روی مجموعه داده های بیماری قلبی به دست آمده از Kaggle آزمایش شده است. برخی از شاخص ها شامل precision ,recall ,accuracy و F۱-score برای ا رزیابی پیش بینی کننده محاسبه می شوند و نتایج نشان می دهد که مدل پیشنهادی به ترتیب به ۹۷.۸۴%، ۹۸.۵۶% و ۹۹.۳۵% و ۰.۹۸۳ دست می یابد و میانگین امتیاز AUC مدل به ۰.۹۸۳ می رسد و تایید می کند که روش پیشنهادی این مقاله برای پیش بینی بیماری قلبی کارآمد و قابل اعتماد است