کاهش ویژگی های موثر در بیماری به کمک روش یادگیری ماشین بردار پشتیبان نیمه نظارتی دربهبود تشخیص بیماری دیابت

با توجه به کم تحرکی جامعه و افزایش بیماری های مختلف مانند دیابتو فشارخون،یکی از چالش های اساسی تشخیص به موقع و با دقتچنین بیماری هایی می باشد.دراینپژوهشبهپیش بینیبیماریدیابتبااستفادهازالگوریتم هایهوشمندپرداخته شده است. روش پیشنهادی در دو ماژول پیشنهاد شده است. ابتدا با استفاده از الگوریتم DE،به انتخاب ویژگی های موثر در تشخیص بیماری پرداخته شده است. به عبارت دیگر ویژگی های کمتری از افراد به سیستم هوشمند پیشنهاد شدهتا تشخیص بیماری را انجام دهد. ماژول بعدی با یادگیری از ویژگی های افراد و نوع بیماری آن ها، بااستفاده از الگوریتم ماشین بردار پشتیبان، برای تشخیص بیماری دیابت استفاده می شود. به این ترتیب ضمن یافتن ویژگی های موثرتر، می توانیم پیچیدگی کمتر و سرعت بالاتری از پردازش داشت. برای این منظور در ابتدا ۵۰ ویژگی از افراد مختلف مانند سابقه بیماری، تعداد ورزش روزانه، سیگار و سایر موارد مشابه را به عنوان ورودی و نوع بیماری دیابت به عنوان خروجی در نظر گرفته شده است. این کار با استفاده از روش نیمه نظارتی به دلیل عدم وجود همه ی برچسب ها انجام شد. هر دو ماژول با روش های دیگر مقایسه شده است. ماژول اول با شبکه عصبی نیمه نظارتی و ماژول دوم با چهار الگوریتم فرا ابتکاری مقایسه شده است. کاهش ویژگی ها از ۵۰ به ۲۰ ویژگی، تشخیص بیماری را با دقت ۵/۹۸ درصد و کاهش ویژگی ها از از ۵۰ به ۱۰ ویژگی، تشخیص بیماری را با دقت ۹۷ درصد انجام داده است.

کلیدواژه ها:

تشخیص بیماری دیابت ، کاهش ویژگی های موثر ، هوش مصنوعی ، نیمه نظارتی