fa تشخیص هوشمند و سریع بیماری قلبی بر اساس هم‌افزایی شبکه‌های عصبی خطی و روش رگرسیون منطقی قلب و عروق Cardiovascular پژوهشي-کامل Research(Original) 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.‏ 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.‎ تشخیص بیماری‌های قلبی, مهندسی پزشکی, بازشناسی الگو, یادگیری ماشین, شبکه عصبی مصنوعی, پرسپترون تک لایه, رگرسیون ‏منطقی Heart diseases diagnosis, Biomedical engineering, Pattern recognition, Machine learning, Artificial neural ‎network, Single layer perceptron, Logistic regression 78 87 http://jmums.mazums.ac.ir/browse.php?a_code=A-11-2681-1&slc_lang=fa&sid=1 Mojtaba Heravi مجتبی هروی mojtaba.heravi@ues.ac.ir 100319475328460036757 100319475328460036757 Yes علوم پزشکی مازندران Saeed Setayeshi سعید ستایشی setayesh@aut.ac.ir 100319475328460036758 100319475328460036758 No علوم پزشکی مازندران