فهرست نشریات علمی دسترسی آزاد ایران

بیماری قلبی یکی از مهم‌ترین علل مرگ‌ومیر در جهان است اگر روند فعلی ادامه یابد، 23.6 میلیون نفر در سال 2030 بر اثر بیماری قلبی خواهند مرد؛ پس پیش‌بینی دقیق آن می‌تواند به کاهش نرخ مرگ‌ومیر کمک کند. مدل‌های پیشین عمدتاً از الگوریتم‌های سنتی یادگیری ماشین استفاده کرده‌اند که محدودیت‌هایی در دقت و تعمیم‌پذیری دارند. در این پژوهش، یک مدل ترکیبی جدید بر پایه آدابوست و شبکه عصبی پیچشی (CNN) ارائه شده است که با بهره‌گیری از قدرت یادگیری عمیق و الگوریتم‌های تقویتی، بهبود قابل‌توجهی در پیش‌بینی بیماری قلبی ایجاد می‌کند. مجموعه داده مورداستفاده شامل داده‌های بیماران قلبی کلیولند با 303 نمونه و 14 ویژگی اصلی است. به‌دلیل نامتوازن بودن داده‌ها، ابتدا با استفاده از تکنیک بیش نمونه‌گیری تصادفی داده‌های دو کلاس متوازن شدند، به‌طوری‌که هر کلاس شامل 242 نمونه شد. پس از متوازن‌سازی، مجموعه داده به دو بخش آموزش و تست با نسبت 80 به 20 تقسیم شد. مدل پیشنهادی با پنج الگوریتم پرتکرار شامل ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی، رگرسیون لجستیک و بیز ساده مقایسه شد. نتایج نشان داد که مدل ترکیبی ما با دقت 87 درصد عملکرد بهتری نسبت به روش‌های دیگر دارد. این پژوهش نشان می‌دهد که ترکیب آدابوست CNN، همراه با متوازن‌سازی داده‌ها، می‌تواند به‌عنوان یک روش کارآمد برای پیش‌بینی بیماری قلبی مورد استفاده قرار گیرد.