یک الگوریتم جدید استخراج ویژگی با الستفاده از تخمین دو بعدی اطلاعات متقابل برای کاربرد های تشخیص پزشکی

در این تحقیق یک الگوریتم استخراج ویژگی با استفاده از اطلاعات متقابل دو بعدی به منظور کاهش بعد فضای ویژگی پیشنهاد شدهاست. در این روش سعی میشود با ترکیب ویژگیهای موجود، ویژگیهای جدیدی ساخته شوند که حداکثر اطلاعات را در رابطه با کلاسها داشتهباشند و همچنین دارای حداقل وابستگی با یکدیگر باشند. الگوریتم ارائه شده برای طبقهبندی سیگنالهای تشخیص سرطان سینه، تشخیصزنده ماندن بیشتر یا کمتر از پنج سال در بیمارانی که پس از عمل جراحی سرطان سینه زنده ماندهاند، تشخیص بیماری پارکینسون، تشخیص بیماری دیابت، تشخیص ماسک کردن سلول، تشخیص سرطان شش و تشخیص تصاویر توموگرافی قلبی که در سایت UCI موجود می باشد به کار گرفته شده است. نتایج نشان میدهد که با استفاده از روش پیشنهادی برای استخراج ویژگی و طبقهبندی کننده خطی نزدیکترین همسایه، سرطان سینه با دقت 96/4%، بیماری پارکینسون با دقت 92/4%، دیابت با دقت 71/4%، ماسک کردن سلول با دقت 96/8%، سرطان شش با دقت 65/2%، تصاویر توموگرافی با دقت 77/8% و زنده ماندن بیشتر یا کمتر از پنج سال در بیمارانی که پس از عمل جراحی سرطان سینه زنده با دقت 67/5% تشخیص داده شده است.

کلیدواژه ها:

آنتروپی ، استخراج ویژگی ، اطلاعات متقابل ، الگوریتم ژنتیک ، طبقه بندی