تشخیص هوشمند و سریع بیماری قلبی بر اساس هم افزایی شبکه های عصبی خطی و روش رگرسیون منطقی

سابقه و هدف: در طول تاریخ، بیماری ها بزرگ ترین تهدید برای بشر به شمار می روند. در این میان بیماری های قلبی از توجه ‏بیشتری در مطالعات پزشکی برخوردارند. در سال های اخیر، دسته بندی و تشخیص امراض قلبی به عنوان یک مبحث کلیدی بررسی شده ‏و تحقیقات بسیاری در زمینه افزایش دقت و کاهش خطا در این گونه تصمیم گیری ها صورت گرفته است. با ایجاد سیستم های هوشمند ‏یادگیر، این سیستم ها در پشتیبانی از تصمیمات و کاهش خطا نقش بزرگی را ایفا کرده اند.‏ مواد و روش ها: در این تحقیق، یک مدل ترکیبی ساده از رگرسیون منطقی و شبکه عصبی پرسپترون تک لایه ارایه شده است که با ‏چهار قانون یادگیری مختلف (به صورت مجزا) آموزش می بیند. این مدل برای بهبود دسته بندی و بازشناسی الگوهای بیماری قلب، روی ‏اطلاعات بالینی 270 بیمار از کلینیک کلیولند (‏cleveland clinic‏) (سایت ‏uci‏) استفاده شد. این روش از نرمال سازی آماری بهره ‏می گیرد و پس از تشخیص داده های مخدوش، آموزش شبکه فقط با 20 درصد از داده های موجود انجام می شود. پیاده سازی مدل در ‏نرم افزار ‏matlab‏ صورت گرفته است.‏ یافته ها: میانگین خطای مشاهده شده مدل پیشنهادی روی کل مجموعه داده ها 11/11 درصد به دست آمد که بهبود قابل ‏ملاحظه ای را نسبت به روش های مشابه اخیر نشان می دهد. همچنین، یافته ها نشان داد که مدل پیشنهادی در برخورد با اختلالات موجود ‏در داده ها بسیار توانمند عمل می کند.‏ استنتاج: تکنیک خطی مطرح شده تأثیر زیادی بر کاهش خطا در دسته بندی و شناسایی افراد بیمار نسبت به روش های متداول و غیر ‏خطی پیچیده با دقتی بیشتر و در زمانی کمتر داشته است. این روش برای تشخیص زود هنگام بیماری و یا به عنوان یک سیستم پشتیبان ‏تصمیم می تواند به پزشک یاری رساند.‏