پیش بینی بیماری دیابت مبتنی بر متغیرهای آزمایشگاهی و با استفاده از مدل ترکیبی شبکه های عصبی و چاید
- سال انتشار: 1403
- محل انتشار: هشتمین کنفرانس ملی پژوهشهای کاربردی در مهندسی برق، مکانیک و مکاترونیک
- کد COI اختصاصی: ELEMECHCONF08_048
- زبان مقاله: فارسی
- تعداد مشاهده: 195
نویسندگان
گروه برق و کامپیوتر، دانشگاه فنی و حرفه ای یاسوج،یاسوج،ایران
گروه برق و کامپیوتر، دانشگاه فنی و حرفه ای یاسوج،یاسوج،ایران
گروه برق و کامپیوتر، دانشگاه فنی و حرفه ای یاسوج،یاسوج،ایران
گروه برق و کامپیوتر، دانشگاه فنی و حرفه ای یاسوج،یاسوج،ایران
چکیده
بیماری دیابت یکی از مهمترین، شایع ترین، خطرناک ترین و پرهزینه ترین بیماری های حال حاضر دنیا است که با نرخ هشدار دهنده ای در حال افزایش است. استفاده از روش های داده کاوی می تواند به تشخیص زودهنگام دیابت کمک کند که باعث جلوگیری از پیشرفت این بیماری و خیلی از عوارض آن مانند بیماری قلب و عروق، مشکلات بینایی و بیماری های کلیوی می شود. در این تحقیق با استفاده از اطلاعات مربوط به ۱۵۰۲ بیمار را با استفاده از الگوریتم های داده کاوی یعنی مدل ترکیبی شبکه های عصبی و درخت تصمیم چاید مورد ارزیابی و تجزیه و تحلیل قرار خواهیم داد تا بتوانیم بیماری دیابت را با دقت و درصد قابل قبولی پیش بینی نماییم. متغییرهای مورد استفاده در این پژوهش شامل متغیرهای اصلی و تاثیرگذار در ایجاد این بیماری از جمله جنسیت، سن بیمار، سابقه خانوادگی، میزان چربی خون و... خواهد بود. جهت پیش بینی و تجزیه و تحلیل آماری تحقیق از نرم افزار قدرتمند رپید ماینر استفاده خواهیم نمود. نتایج نشان داد که، میزان دقت بدست آمده با استفاده از مدل ترکیبی شبکه های عصبی و چاید ۹۹.۰۹ درصد می باشد.کلیدواژه ها
دیابت، فشار خون، داده کاوی، پیش بینی، شبکه های عصبی ، چایداطلاعات بیشتر در مورد 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.