ترکیب شبکه های عصبی مصنوعی و الگوریتم های تکاملی به منظور تشخیص بیماری های قلبی

طبق آمار سازمان جهانی بهداشت، بیماری های قلبی از شایع ترین علل فوت در میان سایر بیماری ها می باشد. تشخیص سریع، به موقع و مراقبت های ویژه پزشکی از بیماران مبتلا به این امراض می تواند تا حد زیادی از مرگ ناگهانی آن ها جلوگیری کند. لذا طراحی یک سیستم هوشمند تشخیص بیماری ضروری به نظر می رسد. برای طراحی یک سیستم هوشمند تشخیص آریتمی های قلبی از روی سیگنال های الکتروکاردیوگرافی، لازم است ابتدا ویژگی های مناسبی از روی این سیگنال ها استخراج شود. به دلیل ذات غیر خطی سیگنال قلب و همچنین در دسترس نبودن معادلات دقیق و کامل ریاضی حاکم بر آن، تحلیل در حوزه زمان و فرکانس نمی تواند آشکار کننده دینامیک کامل این سیگنال باشد. لذا از خواص حوزه آشوب سیگنال قلب به عنوان مکمل ویژگی های زمانی و فرکانسی آن استفاده می کنیم. پس از استخراج ویژگی های مناسب از سیگنال الکتروکاردیوگرام، لازم است از یک طبقه بندی کننده مناسب جهت تشخیص نوع بیماری استفاده کنیم. برای این منظور از ساختار شبکه های عصبی ترکیب شده با الگوریتم های تکاملی بهره می گیریم که برای تشخیص 10 کلاس از بیماری های قلبی استفاده شده اند. الگوریتم های تکاملی مورد استفاده در این تحقیق، الگوریتم ژنتیک، الگوریتم رقابت استعماری و الگوریتم ازدحام ذرات می باشند. نتایج شبیه سازی های انجام شده در این تحقیق نشان می دهد که شبکه عصبی مبتنی بر الگوریتم ازدحام ذرات نسبت به الگوریتم ژنتیک پاسخ های بهینه تری دارد و در زمان کوتاه تری همگرا می شود. لذا برتری محسوسی نسبت به الگوریتم ژنتیک دارد، اما مقایسه پاسخ های مربوط به این الگوریتم و الگوریتم رقابت استعماری نشان از سرعت بالاتر الگوریتم ازدحام ذرات و دقت بالاتر الگوریتم رقابت استعماری دارد. از طرف دیگر، مقایسه پاسخ های این دو الگوریتم نسبت به جمعیت های اولیه گوناگون، حاکی از پایداری بیشتر الگوریتم رقابت استعماری نسبت به الگوریتم ازدحام ذرات می باشد به طوری که نرخ طبقه بندی صحیح برای داده های آموزش و تست به ترتیب 81/97 و 75/93 درصد می باشد.