مجتبی هروی - علوم پزشکی مازندران
سعید ستایشی - علوم پزشکی مازندران

سابقه و هدف: در طول تاریخ، بیماری ها بزرگ ترین تهدید برای بشر به شمار می روند. در این میان بیماری های قلبی از توجه بیشتری در مطالعات پزشکی برخوردارند. در سال های اخیر، دسته بندی و تشخیص امراض قلبی به عنوان یک مبحث کلیدی بررسی شده و تحقیقات بسیاری در زمینه افزایش دقت و کاهش خطا در این گونه تصمیم گیری ها صورت گرفته است. با ایجاد سیستم های هوشمند یادگیر، این سیستم ها در پشتیبانی از تصمیمات و کاهش خطا نقش بزرگی را ایفا کرده اند. مواد و روش ها: در این تحقیق، یک مدل ترکیبی ساده از رگرسیون منطقی و شبکه عصبی پرسپترون تک لایه ارایه شده است که با چهار قانون یادگیری مختلف (به صورت مجزا) آموزش می بیند. این مدل برای بهبود دسته بندی و بازشناسی الگوهای بیماری قلب، روی اطلاعات بالینی ۲۷۰ بیمار از کلینیک کلیولند (Cleveland Clinic) (سایت UCI) استفاده شد. این روش از نرمال سازی آماری بهره می گیرد و پس از تشخیص داده های مخدوش، آموزش شبکه فقط با ۲۰ درصد از داده های موجود انجام می شود. پیاده سازی مدل در نرم افزار Matlab صورت گرفته است. یافته ها: میانگین خطای مشاهده شده مدل پیشنهادی روی کل مجموعه داده ها ۱۱/۱۱ درصد به دست آمد که بهبود قابل ملاحظه ای را نسبت به روش های مشابه اخیر نشان می دهد. همچنین، یافته ها نشان داد که مدل پیشنهادی در برخورد با اختلالات موجود در داده ها بسیار توانمند عمل می کند. استنتاج: تکنیک خطی مطرح شده تاثیر زیادی بر کاهش خطا در دسته بندی و شناسایی افراد بیمار نسبت به روش های متداول و غیر خطی پیچیده با دقتی بیشتر و در زمانی کمتر داشته است. این روش برای تشخیص زود هنگام بیماری و یا به عنوان یک سیستم پشتیبان تصمیم می تواند به پزشک یاری رساند.

Heart diseases diagnosis, Biomedical engineering, Pattern recognition, Machine learning, Artificial neural ‎network, Single layer perceptron, Logistic regression, تشخیص بیماری های قلبی, مهندسی پزشکی, بازشناسی الگو, یادگیری ماشین, شبکه عصبی مصنوعی, پرسپترون تک لایه, رگرسیون منطقی