هدف اصلی این پایان نامه ارائه الگوریتمی هوشمند برای پیش بینی عملکرد قلب در فاز ریپرفیوژن در موش های آزمایشگاهی است. با استفاده از این پیش بینی پزشک متخصص می تواند با قابلیت اطمینان بالاتری در دوره درمان ریپرفیوژن تصمیم گیری و عمل کند. لذا این اقدام از آسیب های جدی و حیاتی می تواند جلوگیری کند. این تحقیق در ابتدا به صورت یک مطالعه بالینی بر روی موش آزمایشگاهی از نژاد wistar آغاز شده است، بدین صورت که ابتدا رگ lad که یکی از عروق کرونر مهم قلب است، مسدود و به صورت مصنوعی در قلب موش سکته قلبی ایجاد می شود. در 10 دقیقه اول موش دچار ایسکمی قلبی شده و با ادامه این روند تا 30 دقیقه موش دچار سکته قلبی می شود. سپس این رگ باز شده و به صورت مصنوعی خون رسانی مجدد یا ریپرفیوژن در قلب موش رخ می دهد. این پدیده همان طور که می تواند خون رسانی به بافت قلب را به حالت نرمال برگرداند، همچنین به دلیل ایجاد شوک، می تواند پدیده خطرناکی نیز باشد. در نهایت به مدت 120 دقیقه داده برداری در فاز ریپرفیوژن انجام شده است. در تمامی لحظات فاز نرمال، سکته قلبی و ریپرفیوژن قلبی سیگنال های الکتروکاردیوگرام و فشار خون بطنی به صورت همزمان ثبت شده است. با توجه به تاثیرپذیری بسیار بالای فشار خون بطنی از سیگنال الکتروکاردیوگرام، می توان قلب را سیستمی دینامیکی در نظر گرفت که در آن ورودی سیستم سیگنال الکتروکاردیوگرام و خروجی آن سیگنال فشار خون بطنی است. با توجه به این موضوع به شناسایی و مدل سازی سیستم الکترومکانیکی قلب و پیش بینی عملکرد آن پرداخته شده است. در شناسایی سیستم الکترومکانیکی قلب برای سادگی مدل سازی در این پایان نامه، ابتدا از روش خطی arx در بازه نرمال استفاده شده است. با این مدل سازی پارامترهای اولیه سیستم شناسایی و منجر به این نتیجه شد که سیستم الکترومکانیکی قلب عملکرد غیر خطی دارد. در ادامه این پایان نامه، مدل سازی غیرخطی سیستم با استفاده از یک مدل فازی عصبی تطبیقی انجام شده است. در این مدل سازی در بازه نرمال ابتدا ورودی های مناسب سیستم تعیین شده اند. در نهایت، حالت بهینه ورودی سیستم، از بین 10 ورودی انتخاب شده است. سپس ورودی های بهینه به سیستم جهت آموزش اعمال شده اند. مدل فازی عصبی تطبیقی انتخاب شده از نوع سوگینو است که دارای 2 تابع عضویت از نوع گوسی در هر ورودی است. بعد از آموزش این مدل در فاز نرمال، این مدل در فاز های نرمال، ایسکمی یا سکته قلبی و ریپرفیوژن تست شده است. این تست نشان دهنده این است که این مدل در سه فاز عملکرد مطلوبی دارد و مقادیر خطا کوچک و قابل صرف نظر کردن هستند. بنابراین این مدل به عنوان مرجع برای مدل سازی دقیق و جزئی تر انتخاب شده است. در ادامه مدل کاملا مستقل anfis، بدون وابستگی به جعبه ابزار matlab به صورت کاملا خودکار پیاده سازی شده است. در این متد برای به روز کردن پارامترهای اولیه از الگوریتم پر سرعت حداقل مربعات مانده و برای به روز کردن پارامترهای ثانویه از الگوریتم سریع ترین نزول استفاده شده است. این مدل را نیز با ورودی های لحظات گذشته در بازه نرمال آموزش داده و در بازه های نرمال، ایسکمی و ریپرفیوژن تست شده است. این مدل عملکرد بسیار مناسب و با خطای بسیار پایین دارد. افزایش دقت و سرعت مدل و قابلیت تغییر پذیری بالای آن باعث شد که این مدل برای پیش بینی عملکرد قلب استفاده شود. در انتها با استفاده از 500 مدل موازی کاملا مستقل anfis عملکرد قلب پیش بینی شده است. در این پیش بینی 50 ضربان آتی قلب با دقت نسبتا بالایی پیش بینی شده است. این تعداد ضربان می تواند نقش حیاتی در هنگام درمان بیمار در فاز ریپرفیوژن را داشته باشد.