مهدی مزروعی سبدانی - دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد ساری
همایون موتمنی - استادیار دانشگاه آزاد اسلامی واحد ساری

استفاده از روش های هوشمند جهت تشخیص بیماری از مواردی است که در سالهای اخیر توجه بسیاری از پژوهشگران را به خود جلب نموده است. طبقه بندی داده ها (classification) یکی از حوزه های مهم در داده کاوی (Data mining) به شمار می رود. طبقه بندی به وسیله روشهای هوشمند تا کنون توانسته است کمک های فراوانی در زمینه تشخیص بیماری به پزشکان و بیماران ارائه نماید. از میان روشهای متفاوتی که برا طبقه بندی ارائه شده اند، روهای ارائه شده مبتنی بر شبکه های عصبی (Artificial Neural Network) توفیقی زیادی حاصل نموده اند، متداول ترین روش آموزشی شبکه های عصبی روش پس انتشار خطا (Error Back Propagation) است که همگرایی کند و توقف در نقاط بهینه محلی از مهم ترین نقاط ضعف آن محسوب می شود، همچنین مشکل استفاده از سیستم استنتاج تطبیق عصبی فازی ANFIS تعیین تعداد قوانین فازی از ابتدا می باشد. در این مقاله با استفاده از الگوریتم LOLIMOT، داده های تشخیص بیماری قلبی از روی تصاویر SPECT به دو کلاس نرمال و غیرنرمال طبقه بندی می گردند، نتایج نشان می دهند که الگوریتم LOLIMOT در اکثر موارد قابلیت چشمگیری در تشخیص صحیح بیماری قلبی دارد.

تشخیص بیماری، تصاویر SPECT، طبقه بندی داده ها، شبکه عصبی فازی خطی محلی- الگوریتم LOLIMOT