ارائه روشی ترکیبی مبتنی بر شبکه‌های عصبی جهت بهبود تشخیص بیماری‌ قلبی

امروزه بیماری قلبی یکی از عوامل مرگ‌ومیر در جوامع بشری است. محیط پزشکی از نظر اطلاعات، غنی است؛ اما از نظر دانش، هنوز ضعیف است. در این تحقیق، روشی خودکار بر مبنای الگوریتم‌های ترکیبی شبکه عصبی و ماشین بردار پشتیبان ارائه می‌شود. آموزش مدل شبکه عصبی مصنوعی به صورت معمول توسط روش‌های مبتنی بر پخش خطا به کمک گرادیان نزولی انجام می‌شود. ایراد کلی این است که با شروع از وزن‌های تصادفی امکان دارد که مدل در بهینه محلی قرار بگیرد و بهترین مدل حاصل نشود. در این پژوهش به عنوان نوآوری از الگوریتم بهینه‌سازی فراابتکاری گرگ خاکستری برای آموزش مدل استفاده شده است. فاز کاهش ابعاد در روش پیشنهادی، شامل کاهش ابعاد به کمک الگوریتم تحلیل مولفه‌های اصلی است. به عنوان یک طرح ابتکاری، از بهینه‌سازی گرگ خاکستری برای آموزش مدل شبکه استفاده می‌شود. شبیه‌سازی روش پیشنهادی با استفاده از نرم‌افزار متلب انجام شده است. استفاده از یک مدل ترکیبی ناهمگن از خبره‌های تشخیص بیماری قلبی به نسبت مدل‌های ترکیبی همگن نظیر xgboost و جنگل تصادفی، خروجی بهتری را تولید می‌کند. دقت روش پیشنهادی برای مجموعه داده کلیولند، 0.882 درصد و برای مجموعه داده z-alizade، 0.954 است. همچنین دقت روش پیشنهادی برای مجموعه داده ترکیبی uci، 0.842 است.