شبکه عصبی مصنوعی چندجمله ای ناهموار بازگشتی و کاربرد زیست پزشکی آن برای طبقه بندی بیماری قلبی

از آنجایی که شیوع بیماری های قلبی عروقی و در نتیجه مرگ و میر افزایش یافته است، پیش بینی دقیق وضعیت بیماری افراد از اهمیت بالایی برخوردار است. بنابراین باید از مدل هایی استفاده کرد که کمترین خطا و حداکثر قابلیت اطمینان را داشته باشند. در سال های اخیر استفاده از سیستم های هوشمند در علوم مهندسی و مکانیک به ویژه در پیش بینی بیماری ها به طور چشمگیری افزایش یافته است. تشخیص بیماری توسط سیستم های کامپیوتری به یکی از زمینه های مهم مطالعاتی محققان در این زمینه تبدیل شده است. تشخیص بیماری قلبی به دلیل حساسیت بالای جوامع به مرگ و حیات بیمار، یک زمینه تحقیقاتی جذاب و چالش برانگیز است. استفاده از اطلاعات پزشکی مانند سن، جنسیت، فشار خون، سطح گلوکز خون، وزن، سطح کلسترول خون، بیوسیگنال الکتروکاردیوگرم و غیره می تواند به پزشکان در پیش بینی بیماری قلبی کمک کند تا از پیشرفت بیماری، حملات قلبی مکرر و در نتیجه کاهش مرگ و میر جلوگیری کند. این داده ها باید به شیوه ای سازمان یافته جمع آوری شده و برای یکپارچه سازی سیستم پیشگیری و تشخیص بیماری استفاده شود. ارزیابی این داده ها و به دست آوردن نتایج و الگوهای مفید در رابطه با آن با استفاده از تکنیک های داده کاوی و شبکه های عصبی به پیش بینی تشخیص زودهنگام این بیماری کمک می کند. این مطالعه روشی برای بررسی عوامل موثر بر حملات قلبی با استفاده از مدل شبکه عصبی گروهی ناهموار بازگشتی (RRGMDH) ارائه می کند. ما همچنین نتایج روش پیشنهادی را با نتایج پنج مدل از مدل های شبکه عصبی مدیریت داده، یعنی حافظه کوتاه مدت بلند مدت (LSTM)، واحد بازگشتی دروازه ای (GRU)، تابع پایه شماره گیری مجدد (RBF)، شبکه عصبی احتمالی (PNN) و مدل گروهی مکرر پردازش داده (GMDH) مقایسه کردیم. نتایج نشان می دهد که روش پیشنهادی از پنج روش دیگر بهتر عمل می کند.

کلیدواژه ها:

تجزیه و تحلیل داده ها ، شبکه عصبی GMDH ناهموار ، تشخیص ، حمله قلبی