آروین عزیزیان کهن - دانشجوی دکتری گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، ایران
رضا توکلی مقدم - استاد گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه تهران، ایران
داود صدیقی زاده - گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد ساوه، ساوه، ایران

در این مقاله، با توجه به اهمیت پیش بینی نتایج تست قلبی ریوی بر روی داده های گرانقیمت بیماران شیمیایی (با توجه به در دست نبودن این داده ها به دلیل اینکه در دنیا بسیار کم از سلاح های شیمیایی استفاده گردیده، یا در صورت استفاده شدن،تعداد نفرات کمی به این بیماری دچار گردیده اند و یا داده های ثبت شده این بیماران در دسترس نمی باشد، این نوع داده هادارای اهمیت است)، گران بودن و هزینه بالای این آزمایشات برای بیماران شیمیایی، زمان بربودن تست های پزشکی در مرحلهانجام تست های پزشکی و اعلام نتایج، همچنین با علم به اینکه در مراحل مختلف (به طور مثال اشتباه کاربر در ثبت نتایج)امکان مفقودشدن داده ها نیز وجود دارد، به بررسی داده های مفقود و سپس به جداسازی داده ها پرداخته شده و جهت پرکردنمقادیر گمشده از روش K-means استفاده گردیده است. با توجه به اهمیت داده کاوی در این مقاله، به دلیل قابلیت های بالایشبکه عصبی از مدل های داده کاوی مبتنی بر شبکه عصبی جهت پیش بینی استفاده شده است. در مرحله بعد برای تخمینخروجی ها (تست های قلبی ریوی)، از شبکه عصبی استفاده گردیده است. یعنی با توجه به ورودی ها (تست های اسپرومتری)،خروجی ها (تست های قلبی ریوی) تخمین زده می شود و در این مرحله، به بررسی تعداد نرون بهینه لایه پنهان پرداخته و نتایجخطاها بررسی می گردد. در نهایت، در این مقاله به توسعه یک مدل ترکیبی هوش مصنوعی با به کارگیری روش هایپیش پردازش داده ها و شبکه عصبی جهت ساخت سیستم های تصمیم یار در حوزه پزشکی پرداخته می شود. این مقاله بهپزشکان، این تشخیص را می دهد که قبل از انجام آزمایشات زمانبر هرچه سریع تر به بررسی بیماری و درمان و تشخیصبیماری بپردازند.

داده کاوی، شبکه عصبی، پیش پردازش داده ها، خوشه بندی