Journal of Arak University of Medical Sciences

fa یک رویکرد دو مرحله‌ای مبتنی بر شبکه عصبی مصنوعی برای تشخیص بیماری قلبی با استفاده از اطلاعات نوار قلبی A Two-stage Approach Using Artificial Neural Networks for Diagnosis of Heart Diseases Based on ECG Data قلب Cardiology پژوهشي اصیل Original Atricle <div style="text-align: justify;">زمینه و هدف اکثر بیماری‌های قلبی در نوار قلبی (ECG) نشانه‌هایی از خود نمایش می‌دهند، اما تشخیص وجود بیماری قلبی به کمک ECG نیازمند دانش و تجربه پزشکان متخصص است. از آنجائی که ممکن است همواره این متخصصان دردسترس نباشد، ضرورت دارد ابزار‌هایی طراحی شود تا در این شرایط به‌عنوان دستار به کادر درمان امکان تشخیص بیماری قلبی فراهم شود. در این مقاله یک رویکرد دومرحله‌ای مبتنی بر شبکه&rlm;‌های عصبی مصنوعی برای تشخیص بیماران قلبی با استفاده از اطلاعات ECG طراحی شده است. مواد و روش ها برای طراحی رویکرد دومرحله‌ای پیشنهادی، ابتدا اطلاعات نوار قلبی 861 مراجعه‌کننده به تعدادی از مراکز درمانی شهر اراک جمع‌آوری و با مشاوره متخصصین، پردازش و آماده‌سازی داده‌ها انجام شده است. آن‌گاه ۱۵۴ ویژگی در نوار قلبی به‌عنوان متغیر‌های ورودی به رویکرد پیشنهادی مشخص شده است. در مرحله اول از رویکرد پیشنهادی یک شبکه عصبی مصنوعی برای تشخیص وضعیت نوار قلبی به دو صورت قابل‌استفاده و یا غیرقابل استفاده طراحی شده است. آن‌گاه در مرحله دوم با استفاده از اطلاعات نوار‌های قلبی قابل‌استفاده، یک شبکه عصبی مصنوعی برای تشخیص وجود یا عدم‌وجود بیماری قلبی طراحی شده است. درنهایت، عملکرد رویکرد دو مرحله‌ای بررسی و صحت و دقت آن در تشخیص وضعیت نوار قلبی و همچنین وضعیت بیماری مراجعه‌کننده تعیین شده است. ملاحظات اخلاقی این مقاله در کمیته تحقیقات با کد شناسه IR.ARAKMU.REC.1400.138 به تأیید رسیده است. یافته ها در رویکرد دو مرحله‌ای پیشنهادی، شبکه عصبی تشخیص وضعیت نوار قلبی دارای دقت 97/1 درصد و صحت 97/3 درصد بوده و همچنین شبکه عصبی تشخیص وجود بیماری قلبی نیز دارای دقت 95/8 درصد و صحت 95/4 درصد می‌باشد.  نتیجه گیری باتوجه‌به کارایی بالای رویکرد پیشنهادی در تعیین وضعیت نوار قلبی و همچنین تشخیص بیماری قلبی، می‌توان از این رویکرد به‌عنوان یک دستیار قابل‌اعتماد برای کمک به کادر درمان استفاده کرد.</div> <div style="text-align: justify;">Background and Aim Most heart diseases show symptoms on ECG, but diagnosing heart disease with ECG requires the knowledge and experience of medical specialized. Because these specialists may not always be available, it is necessary to design tools to diagnose heart disease in these situations. In this paper, a two-stage approach based on artificial neural networks is designed to diagnose heart disease using ECG information.In this study, we aim to propose a two-stage approach using artificial neural network (ANN) to diagnose heart disease based ECG data. Methods & Materials To design the proposed approach, first the ECG data of 861 patients referred to medical centers in Arak, Iran were collected. The data were examined based on the opinions of specialists. Then, 154 features from ECG were used as inputs to the proposed model. In the first stage, an ANN was used to detect the ECG status (usable and unusable). In the second stage, using the usable ECG data, an ANN was used to diagnose the presence or absence of heart disease. Finally, the performance of the two-stage approach was evaluated and its accuracy and precision in determining the ECG quality and heart disease diagnosis were determined. Ethical Considerations This study was approved by the ethics committee of Arak University of Medical Sciences (Code: IR.ARAKMU.REC.1400.138).  Results In the proposed approach, the ANN used for the determining the ECG status had a precision of 97.1% and an accuracy of 97.3%. The ANN used for the diagnosis of heart disease had a precision of 95.8% and an accuracy of 95.4%. Conclusion Considering the high efficiency of the proposed approach in determining of ECG status and diagnosing heart disease, it is possible to use this approach to help the treatment staff.</div> نوار قلبی, شبکه‌های عصبی مصنوعی, داده کاوی, بیماری‌های قلبی Electrocardiogram, Data mining, Artificial neural networks, Heart diseases 230 243 http://jams.arakmu.ac.ir/browse.php?a_code=A-10-6450-1&slc_lang=fa&sid=1 Majid Mehrad مجید مهراد st_m_mehrad@azad.ac.ir 4600319475328460084344 4600319475328460084344 No Department of Industrial Engineering, Islamic Azad University, South Tehran Branch, Tehran, Iran. دانشکده مهندسی صنایع، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران. Majid Nojavan مجید نوجوان mnojavan@azad.ac.ir 4600319475328460084345 4600319475328460084345 Yes Department of Industrial Engineering, Islamic Azad University, South Tehran Branch, Tehran, Iran. دانشکده مهندسی صنایع، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران. Sedigh Raissi صدیق رئیسی raissi@azad.ac.ir 4600319475328460084346 4600319475328460084346 No Department of Industrial Engineering, Modeling and Optimization in Science and Engineering Research Center, Islamic Azad University, South Tehran Branch, Tehran, Iran. دانشکده مهندسی صنایع، مرکز تحقیقات مدل‌سازی و بهینه‌سازی در علوم و مهندسی، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران Mehrdad Javadi مهرداد جوادی m_javadi@azad.ac.ir 4600319475328460084347 4600319475328460084347 No Department of Mechanical Engineering, Islamic Azad University, South Tehran Branch, Tehran, Iran. دانشکده مهندسی مکانیک، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران.