---

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 ۲۷۰ 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 ۲۰ 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 ۱۱/۱۱ 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.‏