توسعه تکاملی شبکه‌های عصبی مصنوعی بر پایه یادگیری تطابقی برای تشخیص بیماری‌های قلبی

یکی از رایج‌ترین دلایل مرگ و میر در جهان بیماری‌های قبلی به ویژه بیماری عروق کرونر است که در دو دهه اخیر، محققان تلاش‌های زیادی برای ابداع یک روش دقیق و کم هزینه برای تشخیص آن انجام داده‌اند. در این مقاله، یک مدل جدید بر پایه شبکه عصبی برای تشخیص بیماری عروق کرونر پیشنهاد می‌شود. این مدل شامل یک شبکه پرسپترون چند لایه است که برای بهبود عملکرد شبکه عصبی از الگوریتم بهینه‌سازی ژنتیک جهت پیدا کردن وزن‌های (نزدیک به) بهینه به عنوان وزن‌های ورودی، و از الگوریتم یادگیری تطابقی چند شروع بر مبنای درخت برای تنظیم نرخ یادگیری استفاده می‌شود. در طی هر دوره از آموزش، شبکه عصبی به طور مستقل با چندین نرخ یادگیری که توسط الگوریتم درختی بر مبنای جستجوی اول سطح ایجاد شده آموزش داده می‌شود، و نرخی که به کوچکترین میزان خطای شبکه عصبی منجر ‌شود به عنوان نرخ یادگیری واقعی انتخاب خواهد شد. در روش پیشنهادی، برای اولین بار از ترکیب الگوریتم ژنتیک و الگوریتم یادگیری تطابقی چند شروع بر مبنای درخت برای بهبود عملکرد شبکه پرسپترون چند لایه استفاده می شود. عملکرد مدل پیشنهادی براساس معیارهای ارزیابی مختلف شامل دقت، حساسیت و وضوح و با استفاده از روش اعتبارسنجی متقابل 10 لایه بر روی دو مجموعه داده قلبی از پایگاه uci مورد ارزیابی قرار گرفت. همچنین، نتایج مقایسه روش پیشنهادی با روش های استفاده شده در پیشینه تحقیق نشان می دهد که دقت مدل پیشنهادی در تشخیص بیماری قلبی بیشتر از سایر روش‌ها است.