موسسه آموزش عالی آپادانا فصلنامه پیشرفت های مهندسی در حوزه پزشکی و مواد - 1 3 2026 02 09 Enhanced Accuracy in Heart Disease Diagnosis Using a Hybrid Deep Learning and Particle Swarm Optimization Framework in Biomedical Engineering بهبود دقت تشخیص بیماری‌های قلبی با استفاده از چارچوب ترکیبی یادگیری عمیق و الگوریتم بهینه‌سازی ازدحام ذرات در مهندسی پزشکی 6 19 10.22051/jera.2021.31891.2698 FA محمدجواد گروه مهندسی کامپیوتر، واحد استهبان، دانشگاه آزاد اسلامی، استهبان، ایران 2025 12 04 Heart diseases are among the leading causes of mortality worldwide, and their timely diagnosis plays a crucial role in preventing adverse clinical outcomes. Given the large volume of medical data and the diversity of clinical indicators, intelligent methods based on deep learning can significantly improve diagnostic accuracy and efficiency. In this study, a biomedical engineering framework is proposed that integrates deep learning architectures with the Particle Swarm Optimization (PSO) algorithm to identify the most informative heart-disease features and enhance the performance of classification systems. In the first stage, PSO was employed to select an optimal subset from 141 medical features to reduce data dimensionality and eliminate redundant information. Subsequently, various deep learning models—including CNN, LSTM, GRU, BiLSTM, and BiGRU—were utilized to classify four types of heart diseases using a dataset comprising 800 patient records. The results indicate that combining bidirectional models (such as BiLSTM and BiGRU) with CNN yields superior performance, achieving accuracy and F1-scores in the range of 91% to 96%. This hybrid framework demonstrates strong potential as an effective engineering tool for analyzing real clinical data, supporting physician decision-making, and improving intelligent diagnostic systems in the field of biomedical engineering. 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. /downloadfilepdf/21468