مجید عبدالرزاق نژاد - استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بزرگمهر قاینات، قاین، ایران
هادی اکبری - دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد بیرجند، دانشگاه آزاد اسلامی،بیرجند، ایران

امروزه خطر ابتلا به نارسایی قلبی به عنوان یکی از شایع ترین علل مرگ و میر در سطح جوامع مطرح است. توسعهتکنولوژی و امکان اخذ و جمع آوری اطلاعات بیماران باعث شده پایگاه داده های متعدد سوابق بیماران ایجاد گردد کهحاوی الگوهای پنهان ارزشمندی می باشند. ارایه مدلی با دقت تشخیص بالا جهت کشف این الگوهای پنهان میتواند بهیکی از رویکردهای پیشگیرانه تبدیل شده، مانع از وخامت بیماریهای گوناگون گردیده و با تشخیص به موقع ، سطح کیفیسلامت جامعه را نیز افزایش دهد. در این مقاله 13 ویژگی از مولفه هایی که بیشترین تاثیر را در تشخیص نارسایی قلبیداشته انتخاب و برای آموزش شبکه عصبی مصنوعی از آنها استفاده شده است. در نهایت سیستم خروجی مورد نظر را دردو کلاس سالم یا در معرض خطر ابتلا به نارسایی قلبی تشخیص خواهد داد. نتایج حاصل از پیاده سازی این ایده نشان میدهد که روش پیشنهادی می تواند یک دقت پیش بینی 91.1% را بدست آورد که نسبت به تحقیقات گذشته که از روشهایی نظیر رگرسیون لجستیک، Naive Bayes، Weighted fuzzy rules بهره می بردند عملکرد مناسب تری را از خود نشان دهد.

نارسایی های قلبی، یادگیری پس انتشار، تحلیل منحنی های ROC، شبکه های عصبی