Abidi A, Heydaran Daroogheh Amnyieh Z, Jamahmoodi H, Salarniya S, Zabbah I. Improving the Diagnosis of Arrhythmia using a Combination of Neural Networks in a Hierarchical Way. jhbmi 2023; 10 (3) :223-237
URL:
http://jhbmi.ir/article-1-780-fa.html
عبیدی آتنا، حیدران داروقه امنیه زهرا، جامحمودی هانیه، سالارنیا ستاره، ذباح ایمان. ترکیب سلسله مراتبی شبکههای عصبی مصنوعی به منظور بهبود تشخیص بیماری آریتمی قلبی. مجله انفورماتیک سلامت و زیست پزشکی. 1402; 10 (3) :223-237
URL: http://jhbmi.ir/article-1-780-fa.html
گروه کامپیوتر، واحد تربت حیدریه، دانشگاه آزاد اسلامی، تربت حیدریه، ایران
چکیده: (382 مشاهده)
مقدمه: بیماریهای قلبی یکی از شایعترین انواع بیماریها هستند، که باعث مرگ و میر بسیاری از افراد میشوند. آریتمیها، نوع نامنظمی در ضربان قلب هستند که موجب میشوند قلب به طور غیرطبیعی سریع (تاکیکاردی) یا آهسته (برادیکاردی) کار کند؛ لذا شناسایی و کلاسبندی آریتمیهای قلبی با استفاده از سیگنال ECG از اهمیت بالایی برخوردار است. هدف از این پژوهش ارائه یک مدل مبتنی بر دادهکاوی با هدف بهبود تشخیص آریتمی قبلی است.
روش: این مطالعه به شیوه توصیفی-تحلیلی و از پایگاه داده UCI استفاده شده است. این پایگاه داده شامل 452 نمونه و 279 ویژگی است. نمونهها برای تشخیص و شناسایی نوع آریتمی قلبی در 5 دسته کلی طبقهبندی شدهاند. الگوریتم استفاده شده در این پژوهش ترکیبی از شبکههای عصبی به صورت سلسله مراتبی (ترکیب سیستمهای خبره) است.
نتایج: در تمامی شبکهها، 70% از نمونهها برای آموزش و 30% آنها به منظور آزمون استفاده شده است. پس از مدلسازی و مقایسه مدلهای تولید شده و ثبت نتایج، دقت پیشبینی بیماری آریتمی قلبی در زمان عدم ترکیب یادگیری 89/5% و پس از ترکیب خبرهها به روش سلسله مراتبی 93/5% به دست آمد.
نتیجهگیری: نتایج حاصل از این پژوهش نشان میدهد که روش پیشنهادی مبتنی بر ترکیب شبکههای عصبی به شکل سلسله مراتبی، که منجر به تخصصی شدن وظیفه هر طبقه بند میشود، میتواند عملکرد بهتری نسبت به مدلهای مشابه در تشخیص آریتمی قلبی داشته باشد.
نوع مطالعه:
پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت دریافت: 1402/2/29 | پذیرش: 1402/9/19