تشخیص اولیه بیماری پارکینسون در داده های نامتوازن با استفاده از الگوریتم های داده کاوی
Publish place: Second National Conference on Modern Research in Electrical, Computer and Medical Engineering
Publish Year: 1397
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 257
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
KAUCEE02_070
تاریخ نمایه سازی: 18 اردیبهشت 1400
Abstract:
با توجه به اینکه بیماری پارکینسون جز بیماریهایی است که تشخیص پزشکی آن مشکل و هزینه بر است و تشخیص زود هنگام این بیماری نیاز به یک روش تشخیص صحیح و مطمئن است تا آنرا از سایر بیماریهای مشابه تمیز دهند. بنابراین، یافتن یک روش تشخیص صحیح و موثر و همچنین عوامل خطر در بروز این بیماری، بسیار با اهمیت است. بطور کلی ترکیب طبقه بندها یک زمینه تحقیقاتی جدید در مبحث یادگیری ماشین و تشخیص الگو میباشد. روشهای ترکیبی به این صورت است که مجموعهای از طبقه بندها را با داده های آموزشی ایجاد کرده و میزان صحت را با انجام عملیات رایگیری بر روی نتایج آنها بدست می آورند. از طرفی با وجود داده های نامتوازن و یادگیری در مجموعه داده های نامتوازن جایی که نمونه های طبقه اکثریت خیلی بیشتر از بقیه است، چالش مهمی در یادگیری ماشین است زیرا الگورتیمهای قدیمی یادگیری ماشین، ممکن است به سمت طبقه اکثریت متمایل شوند و این مسئله صحت پیشبینی را در طبقه اقلیت پایین می آورد. در این مقاله روش زیرنمونه برداری تصادفی را بعد از مقایسه آن با روشهای دیگر نمونه برداری مانند بیش نمونه بردای تصادفی وEasyEnsemble و ModifiedBagging ، برای نمونه برداری مجموعه آموزش استفاده شد و سپس نتایج را با معیارهای Recall و Precision و معیار F و معیار Gارزیابی نموده تا توان پیشبینی طبقه بندها در مقابل داده های نامتوازن افزایش پیدا کند. در این مقاله روشی را بر مبنای استخراج ویژگی بر مبنای طبقه بند ترکیبی شد تا داده های آموزش را برای طبقه بند پایه ایجاد شود.
Keywords:
Authors
ناهید علاقه بندحسینی
دانشجوی کارشناسی ارشد مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد شاهرود، ایران.
محمدمهدی حسینی
استادیار، عضو هیات علمی گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد شاهرود، ایران.