ارائه یک سیستم هوشمند مبتنی بر تکنیکهای ترکیبی یادگیری عمیق به منظور تشخیص بیماران قلبی عروقی

بیماری قلبی در رتبه ی بالایی از علل مرگ و میر در جهان قرار دارد. اگر روند فعلی ادامه یابد، ۲۳.۶ میلیون نفر در سال ۲۰۳۰ آینده براثر بیماری قلبی خواهند مرد. داده های پزشکی همواره در حال بهروز شدن است و پزشکان معمولا اطلاعات ارزشمندی را در خصوص بیماری ها و ارتباطات آن با یکدیگر و عوامل ایجادکننده بیماری ها به دست می آورند؛ اما این مجموعه داده های خام به خودیخود ارزشی ندارند، برای معنی بخشیدن به این داده ها باید آنها را تحلیل و تبدیل به اطلاعات یا بهتر از آن ها دانش کرد. این پژوهش به منظور پیش بینی احتمال خطر بیماری قلبی بر روی مجموعه داده بیماران قلبی کلیولند انجام می شود. مجموعه داده آن شامل ۳۰۳ نمونه و ۷۶ ویژگی است که تمام آزمایش های انجام شده روی ۱۴ ویژگی اصلی از آن اشاره دارد و فیلد هدف که دارای دو کلاس ۱ و ۰ است، هرکدام به ترتیب دارای مقادیر ۱۳۸ و ۱۶۵ نمونه است وضعیت نهایی فرد را که بیمار و یا نرمال خواهد بود، نشان می دهد. داده ها نیاز به متوازن سازی از طریق روش بیش نمونه گیری تصادفی داشتند و پس از متوازن سازی از طریق تکنیک بیش نمونه گیری تصادفی داده های هر دو کلاس به مقدار ۲۴۲ رسیدند. مجموعه داده به دو دسته آموزش و تست با درصد ۲۰ به ۸۰ صورت گرفته است. از پنج تکنیک پرتکرار در این پژوهش به منظور مقایسه عملکرد مدل پیشنهادی استفاده شده است که شامل، ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی، رگرسیون لجستیک، بیز ساده بود. مدل پیشنهادی از ترکیب دو طبقه بند آدابوست و شبکه عصبی هم گشتی ساخته شده است که دقت ۸۷ درصد را به دست آورد.

کلیدواژه ها:

تکنیکهای داده کاوی ، یادگیری عمیق ، آدابوست-شبکه عصبی همگشتی ، بیماری قلبی