مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 23 2 2025 10 18 A Hybrid Method for Heart Disease Diagnosis Using Integrated Feature Selection and Optimized Classification Approaches ارائه روشی ترکیبی جهت تشخیص بیماری قلبی با بهره گیری از رویکردهای انتخاب ویژگی تلفیقی و طبقه بندی بهینه 121 131 fa مارال كلاه كج دانشگاه آزاد اسلامی واحد سوسنگرد مرجان مطیعی زاده دانشگاه آزاد اسلامی واحد اهواز 2021 12 27 <p style="direction: ltr;">Heart disease is one of the leading causes of mortality worldwide, and its early diagnosis is of great importance. Existing feature selection methods for heart disease diagnosis are typically limited to using a single algorithm, which may lead to the selection of redundant features or the omission of important ones, consequently reducing classification accuracy. In this paper, a novel hybrid method for feature selection is proposed, which identifies more efficient and relevant features by employing a soft integration of the results from multiple feature selection algorithms. To enhance the accuracy and speed of diagnosis, an Extreme Learning Machine (ELM) classifier with a wavelet kernel is utilized, where its parameters are optimized using a modified version of the Shuffled Frog-Leaping Algorithm (SFLA). The improved algorithm incorporates a dynamic weighting mechanism and is combined with a Genetic Algorithm (GA), contributing to improved classification accuracy and speed. To demonstrate the robustness and generalizability of the proposed method, it is tested on three well-known UCI datasets. Evaluation results show that the proposed model achieves an accuracy of 93.3%. These findings highlight the high capability and generalization power of the proposed method in heart disease diagnosis.</p> <p>بیماری&zwnj;های قلبی یکی از مهم&zwnj;ترین عوامل مرگ&zwnj;ومیر در جهان محسوب می&zwnj;شوند و تشخیص زودهنگام آنها از اهمیت بالایی برخوردار است. روش&zwnj;های موجود در انتخاب ویژگی برای تشخیص بیماری قلبی معمولاً محدود به استفاده از یک الگوریتم واحد بوده و ممکن است منجر به انتخاب ویژگی&zwnj;های زائد یا حذف ویژگی&zwnj;های مهم شوند که این امر دقت طبقه&zwnj;بندی را کاهش می&zwnj;دهد. در این مقاله، روش ترکیبی جدیدی برای انتخاب ویژگی ارائه شده که با بهره&zwnj;گیری از تلفیق نرم نتایج چند الگوریتم انتخاب ویژگی، ویژگی&zwnj;های کارآمدتر و مرتبط&zwnj;تر شناسایی می&zwnj;شوند. همچنین برای افزایش دقت و سرعت تشخیص، از طبقه&zwnj;بندی ماشین یادگیری حداکثری با کرنل موجک استفاده شده که پارامترهای آن توسط نسخه اصلاح&zwnj;شده الگوریتم فراابتکاری قورباغه بهینه می&zwnj;شوند. این الگوریتم اصلاح&zwnj;شده شامل مکانیزم وزن&zwnj;دهی پویا و ترکیب با الگوریتم ژنتیک می&zwnj;باشد که به بهبود دقت و سرعت طبقه&zwnj;بندی کمک می&zwnj;کند. برای اثبات توانمندی و تعمیم&zwnj;پذیری روش، آن بر روی سه مجموعه داده معتبر UCI آزمایش شده که نتایج ارزیابی نشان می&zwnj;دهند دقت مدل پیشنهادی به 3_/93% رسیده است. نتایج بیانگر توانمندی و تعمیم&zwnj;پذیری بالای روش پیشنهادی در تشخیص بیماری قلبی می&zwnj;باشد.</p> http://ijece.org/ar/Article/Download/33191