عارفه نجمی - دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران
علیرضا باقری - عضو هییت علمی و استادیار، گروه مهندسی کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران
امیرمسعود بیدگلی - عضو هییت علمی و استادیار، گروه مهندسی کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران

لزوم استفاده از الگوریتم های یادگیر در پیش بینی و تشخیص بیماری به نحوی که صحت و اعتبار عملکرد آن قابل تضمین باشد، مطالعات و تحقیقات جدید را به سوی دستیابی به راهکارهای بهینه در هر دو زمینه پزشکی و دانش کامپیوتر رهنمون کرده است. در این راستا بیوانفورماتیک علمی است که توانسته این همکاری را بین محققان این دو رشته به نحو احسن فراهم آورد. برای خوشه بندی داده های بیماری پارکینسون بایستی به داده های بیماری پارکینسون دسترسی داشت. در این تحقیق تمرکز بر روی استفاده از روشهای خوشه بندی است و برای خوشه بندی داده های بیماری پارکینسون بایستی به داده های این بیماری دسترسی داشت برای این منظور، داده های موردنیاز در این پژوهش از داده های کلینیک تهران تهیه شده و با استفاده از شاخص مرکزی میانگین عمل پاکسازی داده ها صورت گرفته است سپس بعد از نرمال سازی به کمک الگوریتم تحلیل مولفه های اصلی تعداد 6 ویژگی از بین 17 ویژگی انتخاب و با استفاده از الگوریتم بهینه سازی علف های هرز عمل خوشه بندی داده های پارکینسون انجام شد و نتایج خوشه بندی آن با الگوریتم های بهینه سازی هوشمند دیگر نظیر الگوریتم بهینه سازی ازدحام ذرات و الگوریتم بهینه سازی کلونی مورچگان انجام شد. نتایج استفاده از الگوریتم بهینه سازی علف های هرز حاکی از دقت 94.6%، 94.5% و 94,6 % در خوشه بندی داده های آموزشی، آزمایشی و کل داده ها دارد.

خوشه بندی، الگوریتم بهینه سازی علف های هرز، الگوریتم تحلیل مولفه های اصلی، الگوریتم های بهینه سازی هوشمند