استفاده از شبکه عصبی کانولوشن یک بعدی دولایه در ترکیب با الگوریتم بهینه سازی گرگ خاکستری به منظور افزایش کارایی تشخیص بیماران دیابتی

دیابت یکی از شایعترین بیماری های مزمن در جهان است که تشخیص به موقع آن نقش مهمی در پیشگیری از عوارض جدی و بهبود کیفیت زندگی بیماران دارد. در سال های اخیر استفاده از روش های هوشمند مبتنی بر یادگیری ماشین و یادگیری عمیق به عنوان ابزارهایی موثر برای تحلیل داده های پزشکی و کمک به تشخیص بیماری ها مورد توجه قرار گرفته است. هدف این پژوهش ارائه یک مدل ترکیبی مبتنی بر شبکه عصبی کانولوشن یک بعدی دولایه و الگوریتم بهینه سازی گرگ خاکستری به منظور افزایش کارایی تشخیص بیماران دیابتی است. در این پژوهش از مجموعه داده Pima Indians Diabetes که شامل مجموعه ای از ویژگی های بالینی و آزمایشگاهی بیماران است استفاده شده است. ابتدا داده ها پیش پردازش شده و برای ورود به شبکه عصبی آماده سازی می شوند سپس یک شبکه عصبی کانولوشن یک بعدی دولایه برای استخراج الگوها و ویژگی های موثر از داده ها طراحی می شود. به منظور بهبود عملکرد مدل و تنظیم بهینه پارامترهای شبکه از الگوریتم بهینه سازی گرگ خاکستری استفاده می شود. در ادامه مدل پیشنهادی آموزش داده شده و عملکرد آن با استفاده از معیارهایی مانند دقت، حساسیت، ویژگی و امتیاز F۱ ارزیابی می گردد. نتایج حاصل از آزمایش ها نشان می دهد که ترکیب شبکه عصبی کانولوشن یک بعدی با الگوریتم بهینه سازی گرگ خاکستری می تواند دقت و کارایی تشخیص بیماران دیابتی را بهبود بخشد و به عنوان یک ابزار کمکی موثر در سیستم های تصمیم یار پزشکی مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری ماشین ، یادگیری عمیق ، شبکه عصبی کانولوشن یک بعدی ، الگوریتم بهینه سازی گرگ خاکستری ، تشخیص دیابت