بیماری‌های قلبی یکی از مهم‌ترین عوامل مرگ‌ومیر در سراسر جهان محسوب می‌شوند و تشخیص به‌موقع آن‌ها نقش اساسی در پیشگیری و کاهش مخاطرات بالینی دارد. با توجه به حجم بالای داده‌های پزشکی و تنوع شاخص‌های بالینی، استفاده از روش‌های هوشمند مبتنی بر یادگیری عمیق می‌تواند دقت و سرعت تشخیص را به‌طور چشمگیری افزایش دهد. در این پژوهش، یک چارچوب مهندسی پزشکی مبتنی بر ترکیب شبکه‌های یادگیری عمیق و الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای شناسایی ویژگی‌های مؤثر بیماری‌های قلبی و بهبود عملکرد سیستم‌های طبقه‌بندی ارائه شده است. در مرحله نخست، الگوریتم PSO برای انتخاب زیرمجموعه‌ای بهینه از ویژگی‌ها در میان ۱۴۱ شاخص پزشکی استفاده شد تا ابعاد داده‌ها کاهش یافته و اطلاعات غیرضروری حذف گردد. در ادامه، مدل‌های مختلف یادگیری عمیق شامل CNN، LSTM، GRU، BiLSTM و BiGRU برای طبقه‌بندی چهار نوع بیماری قلبی بر روی مجموعه داده شامل ۸۰۰ پرونده بیمار به‌کار گرفته شد. نتایج نشان می‌دهد که ترکیب مدل‌های دوطرفه (مانند BiLSTM وBiGRU) با شبکه CNN عملکرد بسیار مطلوبی داشته و با دقت و شاخص F1 در محدوده ۹۱ تا ۹۶ درصد، بهترین نتایج را در تشخیص بیماری‌های قلبی ارائه کرده است. این چارچوب ترکیبی می‌تواند به‌عنوان یک ابزار مهندسی کارآمد برای تحلیل داده‌های بالینی واقعی، پشتیبانی تصمیم‌گیری پزشکان و ارتقای سامانه‌های تشخیص هوشمند در حوزه مهندسی پزشکی مورد استفاده قرار گیرد.

بیماری‌های قلبی یادگیری عمیق شبکه‌های عصبی الگوریتم بهینه‌سازی ازدحام ذرات (PSO) انتخاب ویژگی طبقه‌بندی پزشکی مهندسی پزشکی سیستم‌های تصمیم‌یار بالینی.