طبقه بندی داده های پزشکی با شبکه عصبی ترکیبی RBF-ELM و توابع فعال سازی متنوع بهینه شده به کمک الگوریتم ژنتیک

امروزه انبوه داده های پزشکی جمع آوری شده، ابزاری ارزشمند برای توسعه سیستم های طبقه بندی و کمک به تشخیص فراهم آورده است. با این حال، پردازش داده های حجیم نیازمند الگوریتم های قدرتمندی است که بتوانند با پیچیدگی، ابعاد بالا و ناهمگونی داده ها مقابله کنند. در این پژوهش، یک طبقه بند ترکیبی معرفی می شود که شبکه های عصبی تابع پایه شعاعی و ماشین یادگیری افراطی را با یکدیگر تلفیق می نماید. ایده اصلی بر این استوار است که یک شبکه RBF با ساختار فشرده، توسط یک شبکه ELM شامل تنوعی از توابع فعال سازی تکمیل می گردد. بهینه سازی تعداد، انواع و پارامترهای نورون های افزوده شده با استفاده از الگوریتم ژنتیک انجام می شود که ساختار سلسله مراتبی و ترکیب کدگذاری دودویی و حقیقی را به خوبی پشتیبانی می کند. در روش پیشنهادی، ابتدا مراکز توابع پایه شعاعی با استفاده از روش خوشه بندی K means و پهنای آن ها با روش p نزدیک ترین همسایگی تعیین می شوند. سپس، تعداد و ویژگی های نورون های افزوده شده با الگوریتم ژنتیک بهینه سازی شده و وزن های خروجی به صورت تحلیلی با استفاده از روش شبه معکوس مور-پنروز محاسبه می گردند. ارزیابی روش پیشنهادی بر روی سه دیتاست شامل یک مسئله مصنوعی دوکلاسه و دو دیتاست پزشکی استاندارد از مخزن UCI یعنی سرطان سینه Wisconsin و دیابت Pima Indians انجام شده است. نتایج نشان می دهد که طبقه بند پیشنهادی در دیتاست سرطان سینه به دقت ۹۷.۳۸ درصد، حساسیت ۹۸.۳۸ درصد و ویژگی ۹۶.۸۵ درصد و در دیتاست دیابت به دقت ۷۷.۶۱ درصد، حساسیت ۵۷.۳۵ درصد و ویژگی ۸۸.۲۲ درصد دست یافته است. همچنین در مسئله مصنوعی، روش پیشنهادی با تعداد نورون کمتر، عملکردی بهتر از شبکه های RBF و ELM خالص ارائه داده است. یافته ها حاکی از آن است که ترکیب ویژگی های مکمل RBF و ELM به همراه تنوع توابع فعال سازی، می تواند با تعداد نورون های پنهان کمتر، عملکردی رقابتی یا برتر نسبت به روش های پیشین ارائه دهد. این رویکرد به ویژه برای کاربردهایی که نیاز به سیستم های سریع و سبک مانند نظارت از راه دور سلامت و دستگاه های پوشیدنی دارند، بسیار مناسب است.

کلیدواژه ها:

طبقه بندی داده های پزشکی ، شبکه عصبی RBF ، ماشین یادگیری افراطی ، الگوریتم ژنتیک ، توابع فعال سازی