تشخيص هوشمند و سريع بيماري قلبي بر اساس هم‌افزايي شبكه‌هاي عصبي خطي و روش رگرسيون منطقي

Intelligent and fast recognition of heart disease based on synergy of ‎linear neural network and logistic regression model

سابقه و هدف: در ‌طول تاريخ، بيماری‌ها بزرگ‌ترين تهديد برای بشر به‌شمار می‌روند. در اين ميان بيماری‌های قلبی از توجه ‏بيشتری در مطالعات پزشكی برخوردارند. در سال‌های اخير، دسته‌بندی و تشخيص امراض قلبی به ‌عنوان يك مبحث كليدی بررسی شده ‏و تحقيقات بسياری در زمينه افزايش‌دقت و كاهش‌خطا در اين‌گونه تصميم‌گيری‌ها صورت گرفته ‌است. با ايجاد سيستم‌های هوشمند ‏يادگير، اين سيستم‌ها در پشتيبانی از تصميمات و كاهش‌خطا نقش بزرگی را ايفا كرده‌اند.‏ مواد و روش‌ها: در اين تحقيق، يك مدل تركيبی ساده از رگرسيون‌ منطقی و شبكه ‌عصبی ‌پرسپترون تك‌ لايه ارايه شده‌است كه با ‏چهار قانون يادگيری مختلف (به ‌صورت مجزا) آموزش می‌بيند. اين مدل برای بهبود دسته‌بندی و بازشناسی الگوهای بيماری قلب، روی ‏اطلاعات بالينی 270 بيمار از كلينيك كليولند (‏Cleveland Clinic‏) (سايت ‏UCI‏) استفاده شد. اين روش از نرمال ‌سازی آماری بهره ‏می‌گيرد و پس از تشخيص داده‌های مخدوش، آموزش شبكه فقط با 20 درصد از داده‌های موجود انجام می‌شود. پياده‌سازی مدل در ‏نرم‌افزار ‏Matlab‏ صورت گرفته است.‏ يافته‌ها: ميانگين خطای مشاهده شده‌ مدل پيشنهادی روی كل مجموعه داده‌ها 11/11 درصد به ‌دست آمد كه بهبود قابل ‏ملاحظه‌ای را نسبت به روش‌های مشابه اخير نشان می‌دهد. همچنين، يافته‌ها نشان داد كه مدل پيشنهادی در برخورد با اختلالات موجود ‏در داده‌ها بسيار توانمند عمل می‌كند.‏ استنتاج: تكنيك خطی مطرح شده تأثير زيادی بر كاهش‌خطا در دسته‌بندی و شناسايی افراد بيمار نسبت به روش‌های متداول و غير ‏خطی پيچيده با دقتی بيشتر و در زمانی كمتر داشته است. اين روش برای تشخيص زود هنگام بيماری و يا به‌ عنوان يك سيستم پشتيبان ‏تصميم می‌تواند به پزشك ياری 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.‎