رویکردی بر پیشبینی بیماری قلبی با ترکیب شبکه عصبی و الگوریتم کرم شبتاب
سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 125
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CECCONF18_063
تاریخ نمایه سازی: 13 تیر 1402
چکیده مقاله:
بیماری قلبی یک مشکل عمده سلامت در زمان امروز است که میتواند بر جنبه های جسمی، روانی و اجتماعی، سلامتی و درک فرد از خوب بودن تاثیرگذار باشد. به علت فراوانی داده ها و پیچیدگی و ناهمگونی آنها در پزشکی، نیاز به تکنیک هایی برای استخراج دانش در رابطه با بیماری قلبی است تا بتوان به پیشبینی زودهنگام این بیماری کمک کرد. ازطرفی دیگر روشهای تهاجمی که برای تشخیص بیماری قلبی بکار می روند مانند آنژیوگرافی هزینه های زیادی در پی دارند و در تشخیص های انسانی نیز امکان بروز خطا وجود دارد. به این منظور از تکنیک های داده کاوی برای بدست آوردن نتایج مفید از داده های پزشکی برای بهبود روشهای تشخیصی، مراقبتی استفاده می شود. این امر از آن جهت دارای اهمیت است که می توان از آسیب های ناشی از روشهای تهاجمی تشخیص بیماری قلبی مانند آنژیوگرافی تا حدودی پیشگیری نمود و همچنین میزان عوارض تجویز داروهای مورد استفاده را در بیمارانی که به آن نیاز ندارند، کاهش داد. در این مطالعه، روشی جهت پیشبینی بیماری قلبی ارائه شده است. در این روش، در ابتدا با استفاده از تکنیک انتخاب ویژگی تحلیل مولفه اصلی ابعاد داده ها کاهش پیدا می کند و ویژگی های مهم انتخاب می شوند. سپس الگوریتم کرم شبتاب برای تعیین وزن های اولیه شبکه عصبی مصنوعی به کار برده می شود. و در نهایت طبقه بندی با استفاده از شبکه عصبی انجام می شود و پس از ۱۰ مرتبه مدل سازی و مقایسه مدل های تولید شده، مدل نهایی بدست می آید. مدل ارائه شده با استفاده از مجموعه داده علیزاده ثانی در نرمافزار متلب پیاده سازی شده است. معیارهای ارزیابی در این تحقیق دقت، حساسیت و ویژگی هستند و برای مقایسه و انتخاب بهترین مدل از نمودار ROC استفاده شده است. نتایج نشان میدهد مدل بدست آمده مبتنی بر ترکیب الگوریتم کرم شبتاب و شبکه عصبی، به علت ویژگی بالا میتواند از عوارض و آسیب های احتمالی آنژیوگرافی در بیمارانی که نیاز به آن ندارند جلوگیری نماید. از طرف دیگر میتواند به علت حساسیت بالا بیمارانی که به طور واقعی به این اقدامات تشخیصی و درمانی نیاز دارند را پیشبینی نماید.
کلیدواژه ها:
نویسندگان
ندا هاشم پورمفصلی
کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار، دانشگاه آزاد واحد مشهد
آرزو اسدی
کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار، دانشگاه آزاد واحد مشهد
فاطمه دلبری
کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار، دانشگاه آزاد واحد سبزوار