هدف اصلی این پایان نامه ارائه الگوریتمی برای پیش بینی سکته قلبی در موش آزمایشگاهی و انسان با تشخیص بیماری ایسکمی و همچنین شناسایی میزان آسیب ناشی از سکته قلبی از طریق دارودهی با دُز های متفاوت است. شرح الگوریتم های ایجاد شده برای مراحل فوق به قرار زیر است: این تحقیق در گام اول به صورت یک مطالعه بالینی با ایجاد سکته مصنوعی با انسداد کامل یکی از عروق کرونری موسوم به (lad) در 10 موش آزمایشگاهی از نژاد wistar و دریافت سیگنال الکتروکاردیوگرام از آن ها انجام شد. پس از آن برای ارائه روشی علمی و عملی مبتنی بر تکنیک های هوش مصنوعی جهت تشخیص هوشمند فاز های ایسکمی و نرمال و پیش بینی سکته قلبی، استخراج ویژگی از داده های جمع آوری شده، توسط تبدیل موجک بسته ای صورت گرفت. انرژی موجک بسته ای در تمامی باند های فرکانسی سیگنال های 5 ثانیه ای از موش، به عنوان بردار های ویژگی انتخاب شدند و با اعمال روش آنالیز مولفه های اصلی ، ابعاد فضای ویژگی کاهش یافته و مولفه های اصلی انرژی موجک سیگنال به عنوان ورودی به 7 طبقه بند پایه از قبیل 4 شبکه عصبی مصنوعی پرسپترون با ساختار های مختلف، طبقه بند ماشین بردار پشتیبان ، شبکه فازی – عصبی تطبیقی و k نزدیک ترین همسایه به کار گرفته شدند. آموزش هر کدام از این طبقه بند های پایه با داده های حاصل از 5 موش شامل 40000 ضربان جمعا به مدت 8000 ثانیه صورت گرفت. پس از آموزش طبقه بند های پایه، از شبکه ای ترکیبی مبتنی بر اکثریت آراء، به منظور افزایش دقت طبقه بندی و مقاوم کردن الگوریتم به تفاوت های احتمالی موجود در تصمیم گیری هر یک از طبقه بندها استفاده شد. در نهایت با اعمال داده های 5 موش مجزا به عنوان داده های آزمایش شامل 40000 ضربان جمعا به مدت 8000 ثانیه، تشخیص هوشمند الگوریتم، با حساسیت % 99.27 و % 88.23 و همچنین پیش بینی مثبت % 96.68 و % 97.20 به ترتیب برای فاز نرمال و فاز ایسکمی بدست آمد و در نهایت دقت متوسط % 96.77 حاصل شد. در گام دوم برای ایجاد الگوریتم هوشمند پیش بینی سکته قلبی در انسان نیاز به تغییراتی نظیر: گرفتن انرژی موجک از سیگنال های 3 ساعته به جای سیگنال های 5 ثانیه ای، تغییر سطح موجک از 8 به 12 و تغییر باند فرکانسی مورد نظر از بازه 1.953-197.3 هرتز به بازه فرکانسی 0.0488- 0.0732 هرتز، است. پس از اعمال تغییرات فوق، الگوریتم اصلاح شده بر داده های ثبت شده از بیمارانی که دارای گرفتگی عروق می باشند و دچار سکته قلبی نشده اند، اعمال شد. در نهایت با حساسیت %96.67 دو فاز ایسکمی و نرمال از همدیگر تفکیک شد. در گام آخر برای تشخیص میزان آسیب ناشی از سکته قلبی، دارویی موسوم به واسوپرین با دُز 0.015، 0.03، 0.06 و 0.12 میکروگرم قبل از ایجاد سکته مصنوعی به موش ها داده شد و مشاهده گردید که قلب موش ها مقاومت های متفاوتی نسبت به سکته قلبی پیدا کردند. پس از برداشت تصاویر برش خورده قلب، با استفاده از روش خوشه بندی k-means و با استفاده از فضای l*a*b*، رنگ های موجود در تصاویر حاصل از قلب موش ها تفکیک شدند و به این طریق میزان بافت آسیب دیده و سالم مشخص شدند. از طرف دیگر پس از ثبت سیگنال های الکتروکاردیوگرام و فشار خون درون بطنی ، استخراج ویژگی از سیگنال ها، توسط تبدیل موجک بسته ای صورت گرفت. انتروپی موجک بسته ای در تمامی باند های فرکانسی سیگنال های از موش (در سطح 5)، به عنوان بردار های ویژگی انتخاب شدند. سپس این بردار های ویژگی به عنوان ورودی به 5 شبکه هوشمند پایه از قبیل 4 شبکه عصبی مصنوعی پرسپترون با ساختار های مختلف و ماشین بردار پشتیبان، اعمال شدند. آموزش هر کدام از این شبکه های هوشمند پایه با داده های حاصل از 25 موش صورت گرفت. پس از آموزش شبکه های هوشمند پایه، از شبکه ای ترکیبی مبتنی بر میانگین گیری، به منظور افزایش دقت تخمین استفاده شد. در نهایت با اعمال داده های 10 موش مجزا به عنوان داده های آزمایش، تشخیص هوشمند الگوریتم، میانگین خطا به ترتیب برای avp 0.015، avp 0.03، avp 0.06، avp 0.12 و control، 1.50، 3.16، 0.13، 5.48 و 4.27 در صد، و میانگین خطا کل برابر %2.91 حاصل شد.