fa مدل ترکیبی تشخیص ناهنجاری‌های قلبی با استفاده از پردازش صداهای قلب هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <p style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color:black;">مقدمه:</span></strong> در تشخیص ناهنجاری‌های قلبی عوامل مختلفی مؤثر هستند. هرچه تعداد این عوامل بیشتر باشد عدم قطعیت در تشخیص ناهنجاری‌ها قلبی افزایش می‌یابد. در شرایط عدم قطعیت در پاسخ مدل پیش‌بینی کننده، سیستم‌های فازی یکی از کاراترین روش‌ها برای تولید یک پاسخ قابل قبول می‌باشند.<br> <strong><span style="color:black;">روش:</span></strong> در این پژوهش کاربردی داده‌های مربوط به ناهنجاری‌های قلبی شامل 3240 رکورد، که هر رکورد صداهای قلب افراد مختلف در دو گروه سالم و ناسالم می‌باشد بررسی و سپس به کمک سیستم فازی قوانین حاکم بر داده‌ها برای نمونه‌های ورودی استخراج و از این قوانین برای دسته‌بندی ناهنجاری‌های قلبی استفاده شد. به جهت وابستگی فاکتورهای مؤثر در ناهنجاری‌های قلبی، بسیاری از قوانین همسان با یک عملکرد مشابه که موجب پردازش‌های اضافی و کاهش کارایی می‌شوند، تولید خواهد شد. در روش پیشنهادی از الگوریتم مرغ مگس‌خوار، برای انتخاب قوانین بهینه تولید شده استفاده شد. سپس به کمک قوانین بهینه انتخاب شده سیستم ورودی‌ها را به دو گروه هنجار و ناهنجار دسته<strong>‌</strong>بندی می‌کند. برای ارزیابی نتایج، روش میانگین مربعات خطا استفاده شد.<span dir="LTR"></span><br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> نتایج نشان داد که میانگین دقت و زمان در تشخیص ناهنجاری‌های قلبی در روش پیشنهادی به ترتیب 99/6 درصد و 0/56 ثانیه است و نسبت به تحقیقات مشابه، از کارایی بالاتری برخوردار می‌باشد.<span dir="LTR"></span><br> <strong>نتیجه‌گیری:</strong> مدل پیشنهادی نسبت به سایر روش‌ها، تشخیص و دسته‌بندی را با دقت بالاتری انجام می‌دهد.</span></p> <div style="text-align: justify;"> <p><span style="font-family:tahoma;">​<strong>Introduction:</strong> Different factors are effective in detecting heart abnormalities. The greater the number of these factors, the greater the uncertainty in the detection of heart abnormalities. In the uncertainty condition in response of prediction model, the fuzzy systems are one of the most effective methods for generating an acceptable response.<br> <strong>Method:</strong> In this applied study, 3240 records related to heart abnormalities were reviewed, each record contained heart sounds of healthy and unhealthy groups. Then, using fuzzy system, the rules of data for the input samples were extracted and the rules were used to categorize the heart abnormalities. Due to the dependency of the effective factors on heart abnormalities, many identical rules with a similar function that result in additional processing and reduced efficacy, will be produced. In the proposed method, the Hummingbird algorithm were used to choose the optimal output rules. Then, using the optimum output rules, the inputs data were categorized into normal and abnormal classes. Data were analyzed using the root mean squared error (RMSE) method.<br> <strong>Results:</strong> It was revealed that the mean accuracy and time of diagnosis of heart abnormalities in the proposed method were 99.6% and 0.56 seconds, respectively, indicating higher efficiency compared to the other similar studies.<br> <strong>Conclusion</strong>: Compared to the other methods, the proposed model provides more accurate diagnosis and classification.</span></p> </div> ناهنجاری‌های قلبی, پردازش اصوات قلبی, سیستم‌های فازی, الگوریتم مرغ مگس‌خوار Cardiac abnormalities, Heart rate processing, Fuzzy systems, Hummingbird algorithm 101 110 http://jhbmi.ir/browse.php?a_code=A-10-378-1&slc_lang=fa&sid=1 Ehsan Aghaenjad احسان آقائی نژاد ehsan6945@gmail.com 10031947532846006085 10031947532846006085 No MSc in Computer Engineering, Department of Computer Engineering, Bandargaz Branch, Islamic Azad University, Bandargaz, Iran کارشناسی ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد بندرگز ، بندرگز، ایران Ramazan Taimourei-Yansary رمضان تیموری یانسری r.taimourei@yahoo.com 10031947532846006086 10031947532846006086 Yes Ph.D. in Computer Engineering Artificial Intelligence, Department of Computer Engineering, Bandargaz Branch, Islamic Azad University, Bandargaz, Iran دکتری مهندسی کامپیوتر-هوش مصنوعی، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد بندرگز ، بندرگز، ایران Ali Riahi علی ریاحی 10031947532846006087 10031947532846006087 No Ph.D. in Computer Engineering- Software Systems, Department of Computer Engineering, Bandargaz Branch, Islamic Azad University, Bandargaz, Iran دکتری مهندسی کامپیوتر- نرم‌افزار، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد بندرگز ، بندرگز، ایران