تشخیص بیماری قلبی با استفاده از شبکه های عصبی پیچشی و الگوریتم بهینه‎ سازی ذرات

مقدمه: قلب انسان از لحاظ فیزیولوژیکی یک شاخص زنده محسوب می‌گردد و امکان ثبت سیگنال‌ها به صورت مداوم با استفاده از دستگاه الکتروکاردیوگرام وجود دارد. بیماری‌های قلبی- عروقی یکی از مهم‌ترین علت‌های مرگ‎ومیر  در کل دنیا محسوب می‌شوند. مبتلا شدن به بیماری‌های قلبی-عروقی می‌تواند قابل اجتناب باشد، البته درصورتی که بتوان سریع و دقیق این بیماری را پیش‌بینی یا شناسایی کرد و در جهت جلوگیری اقدام نمود.روش کار: در این مطالعه با هدف تشخیص الگوهای موجود در ویژگی‌های استخراج شده از بیماران آریتمی قلبی، گروهی از نارسایی‌های قلبی پیش‌بینی خواهد شد و نمونه‌های بیمار را از حالت عادی تشخیص می‌دهد. در مدل پیشنهادی ابتدا روی مجموعه دادگان، در مرحله پیش‎پردازش، عملیات گسسته‌سازی و جایگزینی مقادیر از دست رفته به روش میانگین‎گیری ستونی انجام می‌شود، سپس به منظور کاهش ویژگی‎ها، پیچیدگی و افزایش سرعت و دقت، عملیات انتخاب ویژگی، روی داده‎های نرمال شده صورت گرفته و به طبقه‌بند‎های درخت تصمیم، k نزدیک‌ترین همسایه، بیز ساده و cnn ارسال می‎شود.یافته‌ها: در مقایسه‌ای که از دقت‌ به‌دست آمده از الگوریتم‌های مختلف قبل و بعد از اعمال روش پیشنهادی انجام شده است مشاهده می‌شود که کلیه روش‌ها پس از اعمال روش پیشنهادی، با دقت بهتری عمل می‌کنند همچنین cnn عملکرد بهتری از خود نشان داده است.نتیجه‌گیری: نتایج نشان داد که دقت مدل پیشنهادی با نرخ تشخیص 92.34 درصد بهتر از سایر روش‌ها عمل می‌نماید.

diagnosing heart disease using convolutional neural network and the particle swarm optimization

introduction: the human heart is a physiologically vital organ whose signals can be continuously recorded using an electrocardiogram (ecg) device. cardiovascular diseases are one of the leading causes of mortality worldwide. timely and accurate identification of this condition, along with preventive measures, can help reduce the incidence of cardiovascular diseases.method: this article aimed to predict a group of heart failures based on the patterns found in extracted features from patients with cardiac arrhythmias, distinguishing them from samples in a normal state. the proposed model involves preprocessing operations, such as discretization and replacement of missing values using column-wise averaging, on the dataset. subsequently, feature selection operations were performed on normalized data to reduce complexity and improve speed and accuracy. the data is then fed into decision tree classifiers, k-nearest neighbors, naive bayes, and convolutional neural networks.results: a comparison of the accuracy obtained from different algorithms before and after applying the proposed method reveals improved performance across all methods after implementation. particularly, the convolutional neural network demonstrates superior performance.conclusion: based on the results, it can be concluded that the proposed model achieves an accuracy of 92.34%, surpassing other methods.