بهبود دقت پیش بینی اختلالات خلقی با استفاده از ترکیب الگوریتم های داده کاوی و فراابتکاری

مقدمه: از آنجا که تاخیر یا اشتباه در تشخیص اختلالات خلقی به دلیل تشابه علائم، مانع درمان موثر می شود، هدف تحقیق حاضر، تشخیص دقیق اختلالات خلقی، شامل روان پریشی، اوتیسم، اختلال شخصیت، دوقطبی، افسردگی و اسکیزوفرنی، از طریق مدل سازی و تحلیل داده های بیماران است. روش: داده های جمع آوری شده در این پژوهش کاربردی-توسعه ای دربردارنده ۹۹۶ رکورد با ۱۳۰ ویژگی بود که با مصاحبه و تکمیل پرسشنامه ها در یک بیمارستان روان پزشکی در شهر ساری، ایران در سال ۱۴۰۰ گردآوری شد. پس از پیش پردازش داده ها، تعداد ویژگی ها با تحلیل همبستگی به ۹۱ و سپس با تحلیل مولفه های اصلی (PCA) به ۳۵ فاکتور کاهش یافت. مدل سازی داده ها در نرم افزار پایتون با الگوریتم های K نزدیک ترین همسایه(KNN)، نایو بیز (NB)، درخت تصمیم (DT)، جنگل تصادفی (RF)، رگرسیون لجستیک (LR) و ماشین بردار پشتیبان (SVM) صورت گرفت. عملکرد مدل ها ارزیابی گردید و پارامترهای الگوریتم های با دقت بالاتر توسط الگوریتم های فراابتکاری بهینه سازی ازدحام ذرات (PSO) و ژنتیک (GA) تخمین زده شد. نتایج: از بین الگوریتم های یادگیری ماشین، دو الگوریتم RF با دقت ۹۱ و SVM با دقت ۹۰ درصد عملکرد بهتری داشتند. GA افزایش دقت قابل ملاحظه ای ایجاد نکرد، اما درنظرگرفتن مقادیر ۳۰، ۱۵۰، ۰/۹، ۲ و ۲ به ترتیب به عنوان تعداد ذرات، تعداد تکرار الگوریتم، ضریب اینرسی، ضریب شخصی و ضریب اجتماعی در الگوریتم PSO دقت پیش بینی را تا ۳/۳ درصد بهبود بخشید. نتیجه گیری: با خطای طبقه بندی کمتر نسبت به پژوهش های مشابه، مدل PSO-SVM طراحی شده در این پژوهش با دقت قابل قبولی می تواند در پایش داده های بیماران به کار گرفته شده و در سامانه های هوشمند مراکز روان پزشکی مورد استفاده قرار گیرد.

کلیدواژه ها:

Mood Disorder ، Machine Learning ، Meta-Heuristic Algorithms ، Data Mining ، Prediction ، اختلال روانی ، یادگیری ماشین ، الگوریتم های فرا ابتکاری ، داده کاوی ، پیش بینی