تشخیص هوشمند و سریع بیماری قلبی بر اساس هم‌افزایی شبکه‌های عصبی خطی و روش رگرسیون منطقی

سابقه و هدف: در ‌طول تاریخ، بیماری‌ها بزرگ‌ترین تهدید برای بشر به‌شمار می‌روند. در این میان بیماری‌های قلبی از توجه ‏بیشتری در مطالعات پزشکی برخوردارند. در سال‌های اخیر، دسته‌بندی و تشخیص امراض قلبی به ‌عنوان یک مبحث کلیدی بررسی شده ‏و تحقیقات بسیاری در زمینه افزایش‌دقت و کاهش‌خطا در این‌گونه تصمیم‌گیری‌ها صورت گرفته ‌است. با ایجاد سیستم‌های هوشمند ‏یادگیر، این سیستم‌ها در پشتیبانی از تصمیمات و کاهش‌خطا نقش بزرگی را ایفا کرده‌اند.‏مواد و روش‌ها: در این تحقیق، یک مدل ترکیبی ساده از رگرسیون‌ منطقی و شبکه ‌عصبی ‌پرسپترون تک‌ لایه ارایه شده‌است که با ‏چهار قانون یادگیری مختلف (به ‌صورت مجزا) آموزش می‌بیند. این مدل برای بهبود دسته‌بندی و بازشناسی الگوهای بیماری قلب، روی ‏اطلاعات بالینی 270 بیمار از کلینیک کلیولند (‏cleveland clinic‏) (سایت ‏uci‏) استفاده شد. این روش از نرمال ‌سازی آماری بهره ‏می‌گیرد و پس از تشخیص داده‌های مخدوش، آموزش شبکه فقط با 20 درصد از داده‌های موجود انجام می‌شود. پیاده‌سازی مدل در ‏نرم‌افزار ‏matlab‏ صورت گرفته است.‏یافته‌ها: میانگین خطای مشاهده شده‌ مدل پیشنهادی روی کل مجموعه داده‌ها 11/11 درصد به ‌دست آمد که بهبود قابل ‏ملاحظه‌ای را نسبت به روش‌های مشابه اخیر نشان می‌دهد. همچنین، یافته‌ها نشان داد که مدل پیشنهادی در برخورد با اختلالات موجود ‏در داده‌ها بسیار توانمند عمل می‌کند.‏استنتاج: تکنیک خطی مطرح شده تاثیر زیادی بر کاهش‌خطا در دسته‌بندی و شناسایی افراد بیمار نسبت به روش‌های 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 می‌تواند به پزشک یاری رساند.‏