تركيب سلسله مراتبي شبكه‌هاي عصبي مصنوعي به منظور بهبود تشخيص بيماري آريتمي قلبي

مقدمه: بيماري‌هاي قلبي يكي از شايع‌ترين انواع بيماري‌ها هستند، كه باعث مرگ و مير بسياري از افراد مي‌شوند. آريتمي‌ها، نوع نامنظمي در ضربان قلب هستند كه موجب مي‌شوند قلب به طور غيرطبيعي سريع (تاكي‌كاردي) يا آهسته (برادي‌كاردي) كار كند؛ لذا شناسايي و كلاس‌بندي آريتمي‌هاي قلبي با استفاده از سيگنال ECG از اهميت بالايي برخوردار است. هدف از اين پژوهش ارائه يك مدل مبتني بر داده‌كاوي با هدف بهبود تشخيص آريتمي قبلي است. روش: اين مطالعه به شيوه توصيفي-تحليلي و از پايگاه داده UCI استفاده شده است. اين پايگاه داده شامل 452 نمونه و 279 ويژگي است. نمونه‌ها براي تشخيص و شناسايي نوع آريتمي قلبي در 5 دسته كلي طبقه‌بندي شده‌اند. الگوريتم استفاده شده در اين پژوهش تركيبي از شبكه‌هاي عصبي به صورت سلسله مراتبي (تركيب سيستم‌هاي خبره) است. نتايج: در تمامي شبكه‌ها، 70% از نمونه‌ها براي آموزش و 30% آن‌ها به منظور آزمون استفاده شده است. پس از مدل‌سازي و مقايسه مدل‌هاي توليد شده و ثبت نتايج، دقت پيش‌بيني بيماري آريتمي قلبي در زمان عدم تركيب يادگيري 89/5% و پس از تركيب خبره‌ها به روش سلسله مراتبي 93/5% به دست آمد. نتيجه‌گيري: نتايج حاصل از اين پژوهش نشان مي‌دهد كه روش پيشنهادي مبتني بر تركيب شبكه‌هاي عصبي به شكل سلسله مراتبي، كه منجر به تخصصي شدن وظيفه هر طبقه بند مي‌شود، مي‌تواند عملكرد بهتري نسبت به مدل‌هاي مشابه در تشخيص آريتمي قلبي داشته باشد.