دانلود مقاله ترجمه شده سیستم تشخیص خودکار بیماریهای قلبی مبتنی بر شبکه ی عصبی مصنوعی (ANN) و استنتاج تطبیقی فازی-عصبی (ANFIS)

 این مقاله با هدف طراحی و پیاده سازی سیستم تشخیص خودکار بیماریهای قلبی با استفاده از MATLAB نوشته شده است. مجموعه اطلاعات کلیوند به عنوان پایگاه داده ی اصلی برای آموزش و تست سیستم توسعه یافته استفاده می شوند. به منظور آموزش و تست مجموعه داده های کلیوند؛ دو سیستم توسعه یافته اند. سیستم اول مبتنی بر ساختار چندلایه ی پرسپترون (MLP) روی شبکه ی عصبی مصنوعی (ANN) است در حالیکه سیستم دوم مبتنی بر سیستم های استنتاج تطبیق فازی-عصبی (ANIFS) می باشد. هر سیستم دارای دو ماژول اصلی است به نامهای آموزش و آزمایش که به ترتیب 80% و 20% از مجموعه داده های کلیوند به صورت تصادفی بری آموزش و آزمایش مورد استفاده قرار می گیرند. همچنین هر سیستم دارای یک ماژول اضافی به نام ماژول مبتنی بر حالت است که کاربر دارای مقادیر ورودی برای 13 مشخصه ی مورد نیاز برای مجموعه داده ی کلیوند است، به منظور تست وضعیت بیمار که بیان شود آیا بیمار دارای مشکلات قلبی هست یا خیر. علاوه بر این، اثرات مقادیر مختلف برای پارامترهای مهم در سیستم های مبتنی بر ANN و سیستم های مبتنی بر فازی-هسته ای بررسی شده اند تا بهترین پارامترها را انتخاب کرده و به بالاترین عملکرد دست یابیم. بر اساس کار تجربی، واضح است که سیستم فازی-عصبی بهتر از سیستم ANN کار می کند و از مجموعه داده های آموزشی استفاده می کند که دقت برای هر سیستم به ترتیب 100% و 90.74% است. با این حال، با استفاده از مجموعه داده ی تست، واضح است که سیستم ANN بهتر از سیستم عصبی-فازی عمل می کند و بهترین دقت برای هر سیستم به ترتیب برابر با 87.04% و 75.93% بوده است.

به تازگی، بیماریهای قلبی به یکی از شایع ترین بیماری ها تبدیل شده است که مردم از آن رنج می برند. با توجه به آمارهای بدست آمده، این بیماری یکی از مهم ترین علل مرگ و میر در سراسر جهان می باشد (گزارش CDC). عوامل بسیاری مانند علائم بالینی و رابطه ی بین عملکرد و نشانه های پاتولوژیک از بیماریهای قلبی و دیگر اعضای بدن انسان به جای قلب، تشخیص بیماری را دشوار می کند و در تصمیم تشخیص صحیح تأخیر می اندازد. بنابراین تشخیص بیماریهای قلبی یک عنصر مهم در صنعت مراقبتهای بهداشتی است و بسیاری از محققان تلاش کرده اند که سیستم های پشتیبان تصمیم گیری پزشکی (MDSS) را برای کمک به پزشکان توسعه دهند. این سیستم ها برای متوسط کردن زمان تشخیص و افزایش دقت تشخیص و پشتیبانی از فرآیند تصمیم گیری تشخیص پیچیده استفاده شده اند...