ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

افزایش دقت تشخیص بیماری دیابت بر اساس روش PCA و دسته بندی ELM

سال انتشار: 1400
کد COI مقاله: ICTI04_022
زبان مقاله: فارسیمشاهده این مقاله: 62
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 13 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله افزایش دقت تشخیص بیماری دیابت بر اساس روش PCA و دسته بندی ELM

ساناز روح پرور - کارشناسی ارشد کامپیوتر، گرایش نرم افزار، دانشگاه آزاد اسلامی، واحد نیشابور
احمدرضا محمدی سامانی - کارشناس ارشد کامپیوتر، گرایش هوش مصنوعی و رباتیک، دانشگاه آزاد اسلامی، واحد شهرکرد

چکیده مقاله:

بیماری دیابت رایج ترین بیماری غددی و چهارمین علت مرگ در کشورهای پیشرفته می باشد و پیشگیری از آن بدون شک موضوعی حیاتی می باشد. بیماری دیابت یکی از شایع ترین، خطرناک ترین و پرهزینه ترین بیماری های حال حاضر دنیا است که با نرخ هشدار دهنده ای در حال افزایش است. دیابت می تواند منجر به مشکلات حاد فیزیکی در افراد و تاثیر اقتصادی بزرگی بر سیستم بهداشت و درمان ملی گردد. در این بیماری میازن قند خون به خاطر اختلال در تولید انسولین و تشرح آن و یا کاهش پاسخ سلول به انسولین و یا هردو از حالت طبیعی خارج می شود. این بیماری می تواند همراه با عوارض جدی و خطرناکی باشد که در صورت انجام مداخلات پیشگیری کننده می توان این عوارض را کاهش داد. تاکنون کارهای زیادی برای طبقه بندی افراد به دو دسته سالم و بیمار انجام شده است، ولی اکثر کارهای انجام گرفته دقت کافی ندارند. در این پژوهش هدف تشخیص زودهنگام و دقیق تر بیماری دیابت است تا بتوان آن را سریع تر تشخیص داد و قبل از ایجاد هزینه های بالا به درمان آن کمک کرد. جهت حل مسئله پس از پیش پردازش مجموعه داده، ابتدا با استفاده از روش PCA ابعاد مجموعه داده را کاهش داده و سپس با استفاده از دسته بند ELM افراد را به دو دسته بیمار و سالم طبقه بندی می کنیم. الگوریتم پیشنهادی با استفاده از شبیه ساز متلب، ارزیابی شده است. نتایج ارزیابی نشان می دهد که الگوریتم پیشنهادی در تشخیص بیماری دیابت معیارهای دقت، ویژگی و حساسیت را بهبود داده است.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا ICTI04_022 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1290769/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
روح پرور، ساناز و محمدی سامانی، احمدرضا،1400،افزایش دقت تشخیص بیماری دیابت بر اساس روش PCA و دسته بندی ELM،چهارمین کنفرانس ملی فناوریهای نوین در مهندسی برق و کامپیوتر،https://civilica.com/doc/1290769

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1400، روح پرور، ساناز؛ احمدرضا محمدی سامانی)
برای بار دوم به بعد: (1400، روح پرور؛ محمدی سامانی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه آزاد
تعداد مقالات: 3,361
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی