تجزیه و تحلیل و پیش بینی بیماری پارکینسون با استفاده از تکنیک های داده کاوی

بیماری پارکینسون بیماری است که تشخیص آن به صورت پزشکی بسیار مشکل و هزینه بوده و هر روز محققان در پی این هستند تا یک راه حل برای تشخیص زودهنگام این بیماری بیابند. از آنجا که اغلب این بیماری را توسط نشانه های صوتی بیماران مبتلا به PD1 مانند کاهش بلندی و وضوح صدا، اختلال در کیفیت صدا شناسایی می کنند، این روش کاربرد زیادی در تشخیص دقیق این بیماری دارد. تحقیقات قبلی بر روی بیماران نشان داده که ×% 90از بیماران مبتلا به بیماری پاکینسون یک اختلال صوتی در آنها مشاهده شده است. بنابراین اندازه گیری این علایم صوتی و شناسایی آنها در تشخیص بیماری نقش مهمی ایفا می کند. به این جهت از داده های صوتی در انجام این تحقیق استفاده شد. به دلیل تعداد زیاد بیماران و آزمایش های متعدد هر بیمار،س نیاز به یک ابزار خودکار برای کاوش در میان بیماران پارکینسون احساس می شود.×از طرفی از آنجا که تکنیک های داده کاوی برای پیش بینی بیماری های مختلف در زمینه پزشکی نقش مهمی ایفا می کند، در این تحقیق از تکنیک های داده کاوی استفاده شده است. در این تحقیق روش های داده کاوی برای تشخیص بیماری پارکینسون بررسی شدند و در انتها نتایج شبیهسازی و تحلیل داده ها در نرم افزار weka ارائه شد. نتایج این تحقیق نشان داد که میزان صحت طبقه بندی شبکه عصبیMLP با % 92,30 بیشترین مقدار صحت را بدست آورده است. پس از آن NaiveBayes و % 91,28 SVM-Smo صحت و J48 با % 89,74 صحت و AdaBoostM1 صحت % 88,20 را بدست آوردند. در انتها DecisionStump با % 84,61 کمترین مقدار صحت را بدست آورد.

Keywords:

بیماری پارکینسون , داده کاوی , شبکه عصبیMLP , . Weka