ترکیب سلسله مراتبی شبکه های عصبی مصنوعی به منظور بهبود تشخیص بیماری آریتمی قلبی

بیماری های قلبی یکی از شایع ترین انواع بیماری ها هستند، که باعث مرگ و میر بسیاری از افراد می شوند. آریتمی ها، نوع نامنظمی در ضربان قلب هستند که موجب می شوند قلب به طور غیرطبیعی سریع (تاکی کاردی) یا آهسته (برادی کاردی) کار کند؛ لذا شناسایی و کلاس بندی آریتمی های قلبی با استفاده از سیگنال ECG از اهمیت بالایی برخوردار است. هدف از این پژوهش ارایه یک مدل مبتنی بر داده کاوی با هدف بهبود تشخیص آریتمی قبلی است.

این مطالعه به شیوه توصیفی-تحلیلی و از پایگاه داده UCI استفاده شده است. این پایگاه داده شامل 452 نمونه و 279 ویژگی است. نمونه ها برای تشخیص و شناسایی نوع آریتمی قلبی در 5 دسته کلی طبقه بندی شده اند. الگوریتم استفاده شده در این پژوهش ترکیبی از شبکه های عصبی به صورت سلسله مراتبی (ترکیب سیستم های خبره) است.

در تمامی شبکه ها، 70% از نمونه ها برای آموزش و 30% آن ها به منظور آزمون استفاده شده است. پس از مدل سازی و مقایسه مدل های تولید شده و ثبت نتایج، دقت پیش بینی بیماری آریتمی قلبی در زمان عدم ترکیب یادگیری 89/5% و پس از ترکیب خبره ها به روش سلسله مراتبی 93/5% به دست آمد.

نتایج حاصل از این پژوهش نشان می دهد که روش پیشنهادی مبتنی بر ترکیب شبکه های عصبی به شکل سلسله مراتبی، که منجر به تخصصی شدن وظیفه هر طبقه بند می شود، می تواند عملکرد بهتری نسبت به مدل های مشابه در تشخیص آریتمی قلبی داشته باشد.