:: دوره 27، شماره 5 - ( 10-1398 ) ::
جلد 27 شماره 5 صفحات 15-23 برگشت به فهرست نسخه ها
پیش بینی بیماری قلبی با استفاده از شبکه عصبی مصنوعی بهبود یافته
جلال رضایی نور 1، غفران سعدی2 ، میثم جهانی3
1- گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران ، j. rezaee@qom. ac. ir
2- گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران
3- گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران
چکیده:   (823 مشاهده)
مقدمه: پیش بینی صحیح بیماری قلبی افراد از اهمیت زیادی برخوردار است، لذا برای این پیش بینی بایستی از آن دسته مدل هایی استفاده کرد که دارای حداقل خطا و حداکثر اطمینان باشد .از این رو در این مطالعه از ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک جهت ارزیابی مبتلا بودن افراد به سکته قلبی و نارسایی احتقانی استفاده شد.
مواد و روش ها: در این تحقیق از شبکه عصبی مصنوعی پرسپترون چندلایه با الگوریتم پس انتشار خطا که با الگوریتم ژنتیک ترکیب شده جهت ارزیابی وضعیت دو بیماری قلبی استفاده شد. در این مقاله با استفاده از روش نمونه گیری خوشه ای اطلاعات بیمارستان آیت الله گلپایگانی قم که شامل 497 بیمار قلبی بود جمع آوری شد و نتایج با استفاده از نمودار راک مورد ارزیابی قرار گرفت. در نهایت داده ها که مشتمل بر متغیرهای فردی و بالینی مانند سن، جنسیت، تنگی نفس، تغییرات فشارخون و تعدادی آزمایش خون بود توسط تابع انتقال سیگموئید و تانژانت سیگموئید انتخاب و با تعداد 19 نرون ورودی و پنج نرون لایه میانی شبکه عصبی آموزش داده شد.
یافته‌ های پژوهش: بررســــی ‌ها نشان داد که شبکه عصبی با پنج نرون لایه میانی دارای دقت بالاتری نسبت به سایر حالت ‌ها می‌ باشد و می ‌توان با ارائه این شبکه عصبی با دقت 7/97 درصد بیماران سکته قلبی را پیش بینی کرد.
بحث و نتیجه گیری: در این مطالعه با ترکیب شبکه عصبی و الگوریتم ژنتیک مدلی جهت پیش بینی بیماری قلبی ارائه شد. در این پژوهش سعی شد که از  فاکتورهای مهم و کم هزینه جهت پیش بینی بیماری قلبی استفاده شود به‌ طوری که با کمترین هزینه شخص از بیماری خود آگاهی پیدا کند.
واژه‌های کلیدی: پیش بینی| بیماری قلبی| داده کاوی| شبکه عصبی مصنوعی| الگوریتم ژنتیک ،
متن کامل [PDF 854 kb]   (203 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: اپیدمیولوژی
دریافت: 1397/5/28 | پذیرش: 1398/6/24 | انتشار: 1398/10/10



XML   English Abstract   Print



دوره 27، شماره 5 - ( 10-1398 ) برگشت به فهرست نسخه ها