استفاده از عاملهای چندگانه مبتنی بر تکنیکهای یادگیری برای تشخیص بیماری افسردگی

تشخیص بیماری یک مرحله ضروری و حیاتی در هر فرآیند درمان بیماری است. تشخیص خودکار بیماری در سالهای اخیر به دلیلکارآمدی، دسترسی آسان و قابل اعتماد بودن، محبوبیت زیادی به دست آورده است. تشخیص زودهنگام و کمک به پزشکان از اهدافاولیه سیستمهای تشخیص هوشمند میباشند. این سیستمهای تشخیص خودکار به دلیل عملکرد قابل اعتماد، مقیاس پذیری و جنبه مقرون به صرفه به پزشکان کمک م یکنند و به عنوان سیستمهای تشخیصی مستقل در حال تکامل هستند. امروزه بیماری مختلفی از قبیل افسردگی در بین افراد جامعه شایع شده است. این بیماری علائم مختلفی دارد که توسط سیستمهای تشخیص هوشمند با دقت بهتریتشخیص داده میشوند. کارشناسان تخمین میزنند تنها یک سوم بیماران مبتال به افسردگی درمانهای لازم برای بهبود بیماریشان رادریافت میکنند. لذا تشخیص اولیه این بیماری برمبنای رفتارها و حرکات افراد بسیار مهم است. در این مقاله برمبنای عاملهای چندگانه، تشخیص و بررسی بیماری افسردگی بررسی میشود. عاملهای چندگانه در فضای مسئله به دنبال بهترین راه حل هستند و تلاش میکنندکه بیشترین دقت تشخیص را داشته باشند. تشخیص در بین عاملها به صورت رقابتی است و عاملی که دقت تشخیص بیشتری داشته باشد به عنوان عامل برتر، جواب آن در خروجی نمایش داده میشود. در مدل پیشنهادی ارزیابی برروی ۳۹۹ داده با ۱۲ ویژگی انجام شده است. نتایج نشان میدهد که ماشین بردار پشتیبان در مقایسه با دیگر عاملها دقت تشخیص بهتری دارد.

کلیدواژه ها:

تشخیص بیماری افسردگی ، عاملهای چندگانه ، ماشین بردار پشتیبان ، شبکه عصبی مصنوعی چندلایه