ارائه روش بهبود تشخیص حمله قلبی با استفاده از الگوریتم های تجمعی و یادگیری عمیق

امروزه گسترش بیماری های قلبی، اثرات و عوارض آنها و هزینه های آن باعث شده است که جامعه پزشکی به دنبال برنامه هایی جهت بررسی و تحلیل بیشتر، پیشگیری، شناسایی زودهنگام و درمان موثر آن باشند. هدف این پژوهش استخراج و رسیدن به الگوهای بیماری با استفاده از تکنیک های دسته بندی ترکیبی داده کاوی روی 451 نمونه و 13 مجموعه داده داخلی بیماران با خطر سکته قلبی است. از طرف دیگر انتخاب ویژگی و بررسی شاخص‌های تاثیرگذار در طراحی دسته بند و افزایش دقت آن از اهمیت بالایی برخوردار است. لذا ویژگی‌های تاثیرگذار روش شاخص وزن دار جنینی بررسی شده است. در فاز دسته بندی، تکنیک پایه مانند درخت تصمیم و شبکه عصبی و انواع تکنیک های تجمعی گرادیان بوستینگ، جنگل تصادفی و روش نوین یادگیری عمیق را اعمال شده است. در مقایسه با یادگیری عمیق با دقت 95.33٪، دقت کلاس بیماری 95.77٪ و دقت کلاس سالم بودن تا 94.74٪ دقت خوبی ارائه و نتایج شبکه عصبی را بهبود داده است. پژوهش حاضر لزوم استفاده از روش‌های تجمعی و انتخاب فاکتورهای تاثیرگذار را جهت افزایش دقت ها در سیستم تشخیص حمله قلبی اثبات کرد. همچنین با گزارش قوانین مفید درختی لزوم استفاده هر چه بیشتر از روش های داده کاوی در استخراج و تحلیل دانش اثبات گردید.