تشخیص بیماری پارکینسون با استفاده از یادگیری ماشین و انتخاب ویژگی با الگوریتم بهینه سازی ازدحام ذرات

بیماری پارکینسون، اختلال پیش رونده، مخرب و درازمدت دستگاه عصبی مرکزی است که عمدتا سیستم حرکتی بدن را مختل می کند. نشانه های این بیماری معمولا آرام و به تدریج ظاهر می شوند. آزمایش ها تشخیص این بیماری معمولا در معرض خطا بوده و برای بیمار رنج آور، وقت گیر و هزینه بر است. به همین دلیل در سال های اخیر، توسعه و ارائه روش های یادگیری ماشین در تشخیص بیماری پارکینسون با دقت بالا برای غلبه بر این مشکلات از اهمیت خاصی برخوردار بوده است. هدف از این تحقیق افزایش دقت تشخیص بیماری پارکینسون با استفاده از ۶ روش یادگیری ماشین نظارت شده شامل روش های شبکه عصبی پرسپترون چندلایه، ماشین بردار پشتیبان، درخت تصمیم و K-نزدیک ترین همسایگی، روش AdaBoost و روش XGBoost است. افزایش دقت تشخیص بیماری پارکینسون با کمک الگوریتم بهینه سازی ازدحام ذرات از طریق انتخاب ویژگی انجام می شود. نتایج این تحقیق نشان می دهد که الگوریتم بهینه سازی ازدحام ذرات توانسته است باعث افزایش دقت تشخیص بیماری پارکینسون شود. در آخر هم همان طور که ارزیابی ها و آزمایش ها نشان داده است بهترین روش تشخیص بیماری پارکینسون، با استفاده از روش XGBoost به دست آمده است.

کلیدواژه ها:

بیماری پارکینسون ، یادگیری ماشین ، انتخاب ویژگی ، الگوریتم ازدحام ذرات