ارائه یک سیستم هوشمند تشخیص بیماری عروق قلب در شهر مشهد با استفاده از مدل جدید انتخاب ویژگی و یادگیری شبکه های عصبی مصنوعی

Publish Year: 1397
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 429

نسخه کامل این Paper ارائه نشده است و در دسترس نمی باشد

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

CSUMSMED05_027

تاریخ نمایه سازی: 7 مهر 1398

Abstract:

مقدمه: پیش بینی صحیح وضعیت بیماری از اهمیت زیادی برخوردار است، بنابراین انتخاب روش مناسب برای مدل سازی و تحلیل داده ها مهم می باشد. برای این پیش بینی بایستی از مدل هایی استفاده کرد که در دو فاز، آماده سازی داده ها مانند استخراج و انتخاب ویژگی و فاز یادگیری دارای کمترین میزان خطا باشد. در این پژوهش برای گزینش عوامل موثر بر بیماری عروق از استخراج ویژگی مدل رپر با استفاده از الگوریتم گروه جوجه مرغ ها و روش نزدیک ترین همسایه استفاده شده و برای یادگیری الگو و تشخیص بیماری از شبکه عصبی پرسپترون چندلایه استفاده می شود.روش تحقیق: مجموعه داده مورداستفاده شامل 54 ویژگی از 303 نفر از مرکز تحقیقات قلب دانشگاه علوم پزشکی مشهد می باشد. در مدل پیشنهادی، در فاز اول، مجموعه داده با ویژگی های استخراج شده برای آن، جهت انتخاب بهترین ویژگی ها با استفاده از الگوریتم گروه جوجه مرغ ها و روش Kتا از نزدیک ترین همسایگان به صورت تکنیک انتخاب ویژگی رپر انجام و در فاز بعدی به پیدا کردن بهترین معماری شبکه عصبی پرسپترون چندلایه برای آموزش و پیش بینی استفاده می شود. در این مدل هر جوجه، معادل یک آرایه به تعداد تمام ویژگی هاست. هر خانه از آرایه می تواند صفر و یا یک باشد که به معنی آن است که یک ویژگی انتخاب نشده و یا انتخاب شده است. سپس برازندگی هر جوجه با روش Kتا از نزدیک ترین همسایگان محاسبه می شود تا بدین شکل تعدادی خروس، مرغ و جوجه در الگوریتم برچسب گذاری شود و حرکت های این الگوریتم مانند حرکت خروس ها، مرغ ها و جوجه ها انجام شود. درنهایت بهترین جوجه پیداشده که برازندگی آن از بقیه بهتر است، نشان دهنده ی بهترین مجموعه ویژگی های انتخابی است.یافته ها: از مجموع 54 ویژگی از 303 بیمار در فاز انتخاب ویژگی، 9 ویژگی به عنوان عوامل موثر در تشخیص بیماری عروق قلبی شناخته شد. نتایج به دست آمده نشان می دهد که مدل پیشنهادی، علاوه بر توانایی بالا در تشخیص افراد بیمار، تعداد قابل قبولی از افرادی که فاقد بیماری بودند را نیز شناسایی کرد و این دقت تا 88% برآورد شده است.نتیجه گیری: در این مطالعه برای تشخیص بیماری عروق کرونر، از تکنیک رپر با استفاده از الگوریتم گروه جوجه مرغ ها و روش نزدیک ترین همسایه و سپس از تکنیک شبکه های عصبی استفاده نموده ایم که مدل نهایی به دست آمده دارای دقت 88% می باشد و نتایج به دست آمده از میزان خطا حاکی از آن است که مدل شبکه ارائه شده در کنار فاز انتخاب ویژگی پیشنهادی، مدلی خوب برای تشخیص این بیماری می باشد و شبکه با دقت مناسبی این طبقه بندی را انجام داده است.

Keywords:

بیماری عروق قلبی , شبکه عصبی , انتخاب ویژگی , الگوریتم گروه جوجه مرغ ها

Authors

رضا حقیقی نیت

کارشناس ارشد هوش مصنوعی، مربی، گروه کامپیوتر، موسسه آموزش عالی علمی کاربردی جهاد دانشگاهی-مرکز مشهد، مشهد، ایران

سعید اسلامی

دکترای تخصصی انفورماتیک پزشکی، دانشیار، گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران،