ارائه روشی ترکیبی مبتنی بر شبکه های عصبی جهت بهبود تشخیص بیماری قلبی

امروزه بیماری قلبی یکی از عوامل مرگ و میر در جوامع بشری است. محیط پژشکی از نظر اطلاعات، غنی است؛ اما از نظر دانش، هنوز ضعیف است. در این تحقیق، روشیی خودکار بر مبنای الگوریتم های ترکیبی شبکه عصبی و ماشین بردار پشتیبان ارائه می شود. آموزش مدل شبکه عصبی مصنوعی به صورت معمول توسط روش های مبتنی بر پخش خطا به کمک گرادیان نزولی انجام می شود. ایراد کلی این است که با شروع از وزن های تصادفی امکان دارد که مدل در بهینه محلی قرار بگیرد و بهترین مدل حاصل نشود. در این پژوهش به عنوان نوآوری از الگوریتم بهینه سازی فراابتکاری گرگ خاکستری برای آموزش مدل استفاده شده است. فاز کاهش ابعاد در روش پیشنهادی، شامل کاهش ابعاد به کمک الگوریتم تحلیل مؤلفه های اصلی است. به عنوان یک طرح ابتکاری، از بهینه سازی گرگ خاکستری برای آموزش مدل شبکه استفاده می شود. شبیه سازی روش پیشنهادی با استفاده از نرم افزار متلب انجام شده است. استفاده از یک مدل ترکیبی ناهمگن از خبره های تشخیص بیماری قلبی به نسبت مدل های ترکیبی همگن نظیر XGboost و جنگل تصادفی، خروجی بهتری را تولید می کند. دقت روش پیشنهادی برای مجموعه داده کلیولند، 0.882 درصد و برای مجموعه داده z-ALIZADE و 0.954 است. همچنین دقت روش پیشنهادی برای مجموعه داده ترکیبی UCI و 0.842 است.

کلیدواژه ها:

تشخیص بیماری ، بیماری قلبی ، شبکه عصبی ، ماشین بردار پشتیبان ، بهینه سازی گرگ خاکستری