|
|
مجله دانشگاه علوم پزشکی مازندران، جلد ۲۴، شماره ۱۱۲، صفحات ۷۸-۸۷
|
|
|
| عنوان فارسی |
تشخیص هوشمند و سریع بیماری قلبی بر اساس هم‌افزایی شبکه‌های عصبی خطی و روش رگرسیون منطقی |
|
| چکیده فارسی مقاله |
سابقه و هدف: در طول تاریخ، بیماری‌ها بزرگ‌ترین تهدید برای بشر به‌شمار می‌روند. در این میان بیماری‌های قلبی از توجه بیشتری در مطالعات پزشکی برخوردارند. در سال‌های اخیر، دسته‌بندی و تشخیص امراض قلبی به عنوان یک مبحث کلیدی بررسی شده و تحقیقات بسیاری در زمینه افزایش‌دقت و کاهش‌خطا در این‌گونه تصمیم‌گیری‌ها صورت گرفته است. با ایجاد سیستم‌های هوشمند یادگیر، این سیستم‌ها در پشتیبانی از تصمیمات و کاهش‌خطا نقش بزرگی را ایفا کرده‌اند. مواد و روش‌ها: در این تحقیق، یک مدل ترکیبی ساده از رگرسیون منطقی و شبکه عصبی پرسپترون تک لایه ارایه شده‌است که با چهار قانون یادگیری مختلف (به صورت مجزا) آموزش می‌بیند. این مدل برای بهبود دسته‌بندی و بازشناسی الگوهای بیماری قلب، روی اطلاعات بالینی 270 بیمار از کلینیک کلیولند (Cleveland Clinic) (سایت UCI) استفاده شد. این روش از نرمال سازی آماری بهره می‌گیرد و پس از تشخیص داده‌های مخدوش، آموزش شبکه فقط با 20 درصد از داده‌های موجود انجام می‌شود. پیاده‌سازی مدل در نرم‌افزار Matlab صورت گرفته است. یافته‌ها: میانگین خطای مشاهده شده مدل پیشنهادی روی کل مجموعه داده‌ها 11/11 درصد به دست آمد که بهبود قابل ملاحظه‌ای را نسبت به روش‌های مشابه اخیر نشان می‌دهد. همچنین، یافته‌ها نشان داد که مدل پیشنهادی در برخورد با اختلالات موجود در داده‌ها بسیار توانمند عمل می‌کند. استنتاج: تکنیک خطی مطرح شده تأثیر زیادی بر کاهش‌خطا در دسته‌بندی و شناسایی افراد بیمار نسبت به روش‌های متداول و غیر خطی پیچیده با دقتی بیشتر و در زمانی کمتر داشته است. این روش برای تشخیص زود هنگام بیماری و یا به عنوان یک سیستم پشتیبان تصمیم می‌تواند به پزشک یاری رساند. |
|
| کلیدواژه‌های فارسی مقاله |
|
|
| عنوان انگلیسی |
Intelligent and fast recognition of heart disease based on synergy of linear neural network and logistic regression model |
|
| چکیده انگلیسی مقاله |
Background and purpose: Diseases have been the greatest threat for human being along the history. Heart disease (HD) has gained special attention in medical studies. Recently studying on classification and diagnosis of HD as a key topic and a lot of researches have been done in order to increase precise and reduce error in this type of decisions. With development of intelligent learning systems, these systems have played a great role in reducing the error of decision support systems (DSS). Materials and methods: In this study, a simple hybrid model of logistic regression and single-layer perceptron neural network was presented which was trained with four-different learning rules (separately). The model for improving the classification and patterns recognition of HD has been used on clinical data of 270 patients from the Cleveland Clinic (UCI website). This method has been used in statistical data normalization and detection of noisy data, network training with only 20% of the data exist was performed. The model has been implemented in MATLAB. Results: The mean-error of the proposed model on the total dataset was 11.11%, which was achieved a significant improvement compared to recent similar methods. In addition, the results showed that the proposed approach was very capable in dealing with noise in the data. Conclusion: The results clearly showed that the linear proposed technique had large impact on reducing the error in the classification and identification of patients more accurately in a shorter time than conventional methods and complex nonlinear. The method can help physicians for early detection of disease or as a DSS. |
|
| کلیدواژه‌های انگلیسی مقاله |
|
|
| نویسندگان مقاله |
مجتبی هروی | mojtaba heravi
علوم پزشکی مازندران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی مازندران (Mazandaran university of medical sciences)
سعید ستایشی | saeed setayeshi
علوم پزشکی مازندران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی مازندران (Mazandaran university of medical sciences)
|
|
| نشانی اینترنتی |
http://jmums.mazums.ac.ir/browse.php?a_code=A-11-2681-1&slc_lang=fa&sid=fa |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
قلب و عروق |
| نوع مقاله منتشر شده |
پژوهشی-کامل |
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|