طراحی و ارزیابی شبکه عصبی ترکیبی مبتنی بر رای‌گیری فازی برای تشخیص بیماری قلبی

بیماری‌های قلبی-عروقی یکی از مهم‌ترین عوامل مرگ‌ومیر در جهان هستند و تشخیص دقیق و به‌موقع آن‌ها نقش اساسی در کاهش عوارض و هزینه‌های درمانی دارد. در سال‌های اخیر، روش‌های یادگیری ماشین به‌طور گسترده در تشخیص بیماری‌های پزشکی مورد استفاده قرار گرفته‌اند، اما مدل‌های مبتنی بر یک شبکه عصبی واحد، به‌ویژه در مجموعه‌داده‌های پزشکی کوچک، اغلب با مشکل بیش‌برازش و ناپایداری در تصمیم‌گیری مواجه هستند. در این پژوهش، یک مدل شبکه عصبی ترکیبی مبتنی بر رای‌گیری فازی برای پیش‌بینی بیماری قلبی ارائه شده است. این مدل شامل دو شبکه عصبی پایه است خروجی این شبکه‌ها با استفاده از یک لایه رای‌گیری فازی ترکیب می‌شود که در آن وزن هر پیش‌بینی بر اساس میزان اطمینان آن تعیین می‌گردددر نهایت، خروجی ترکیب‌شده به یک شبکه نهایی ساده برای تولید تصمیم نهایی منتقل می‌شود. ارزیابی مدل با استفاده از روش اعتبارسنجی متقاطع 5-تایی بر روی مجموعه‌داده بیماری قلبی uci انجام شده است. نتایج تجربی نشان می‌دهد که مدل پیشنهادی به دقت متوسط 83/8% دست یافتهاست . همچنین، میزان خطای منفی کاذب به میزان قابل‌توجهی کاهش یافته است که این موضوع در کاربردهای پزشکی از اهمیت بالایی برخوردار است. یافته‌های این پژوهش نشان می‌دهد که استفاده از یک ساختار ترکیبی مبتنی بر رای‌گیری فازی می‌تواند پایداری تصمیم‌گیری و دقت تشخیص بیماری قلبی را نسبت به مدل‌های تک‌شبکه‌ای بهبود دهد. مدل پیشنهادی به‌ویژه برای مجموعه‌داده‌های پزشکی کوچک مناسب بوده و می‌تواند به‌عنوان یک چارچوب قابل گسترش در سایر مسائل تشخیص پزشکی مورد استفاده قرار گیرد.

design and evaluation of an ensemble neural network based on fuzzy voting for heart disease diagnosis

cardiovascular diseases are among the leading causes of mortality worldwide, and their accurate and timely diagnosis plays a crucial role in reducing complications and treatment costs. in recent years, machine learning methods have been widely used in medical disease diagnosis; however, models based on a single neural network, especially when applied to small medical datasets, often suffer from overfitting and decision instability. in this study, a hybrid neural network model based on fuzzy voting is proposed for heart disease prediction. the model consists of two base neural networks whose outputs are combined using a fuzzy voting layer, in which the weight of each prediction is determined according to its confidence level. finally, the combined output is fed into a simple final network to generate the ultimate decision. the model is evaluated using five-fold cross-validation on the uci heart disease dataset. experimental results indicate that the proposed model achieves an average accuracy of 83.8%. moreover, the false negative rate is significantly reduced, which is of particular importance in medical applications. the findings of this study demonstrate that employing a hybrid structure based on fuzzy voting can improve decision stability and diagnostic accuracy for heart disease compared to single-network models. the proposed model is especially suitable for small medical datasets and can be used as an extensible framework for other medical diagnosis problems.