بررسی ارتباط تصاویر ECG با تشخیص بیماری دیابت به کمک شبکه عصبی مصنوعی و الگوریتم های داده کاوی

بیماری دیابت یکی از شایعترین بیماری های دنیا شناخته شده است. یکی از مشکلات اساسی مربوط به این بیماری عدمتشخیص بموقع و صحیح آن می باشد. هدف این پژوهش ارایه روش جدیدی برای تشخیص بیماری دیابت است و قصددارد برای اولین بار ارتباط تصاویرECG با تشخیص بیماری دیابت به کمک شبکه عصبی مصنوعی و الگوریتم های داده کاوی را بررسی کند.روش بررسی: در این مطالعه 8 بیمار دیابتی و 64 فرد سالم حضور داشتند. الکتروکاردیوگرافی برایتمام افراد انجام گرفت. اطلاعات مورد نیاز از تصاویر ECG شامل: نام بیمار، سن، qtcb ،qt ،PR ،P ،PP ،RR ،t ،p ،HRECG استخراج و در پایگاه داده جمع آوری شد برای طبقه بندی بیماران از شبکه های عصبی احتمالی و الگوریتم های استانداردداده کاوی استفاده شده است. داده ها از طریق الگوریتم های داده کاوی و روش های متفاوت کلاس بندی مورد بررسیو ارزیابی قرار گرفتند و نتایج هر یک با توجه به نرخ صحیح مقایسه شدند. weka از نرم افزاربرای رده بندی ها استفاده شده است. یافته ها: دقت شناسایی الگوریتم های مبتنی بر قوانین و شبکه عصبی، نسبت به الگوریتم های درخت تصمیم والگوریتم های مبتنی بر فاصله بالاتر و نتایج بهتری در تشخیص بیماری دیابت نشان دادند. بهترین نرخ شایستگی در الگوریتمConsistencySubsetEval با میزان 0/89 بود و موج QRS به عنوان بهترین انتخاب در همه الگوریتم ها گزارش می شود. ارزیابی داده های افراد دیابتی و غیر دیابتی با استفاده از الگوریتم شبکه های عصبی احتمالی نرخ صحیحی 95% را نشان داد. همچنین الگوریتم KNN کمترین پیچیدگی زمانی را نشان داد. نتیجه گیری: مدل مبتنی بر قوانین دقت بالاتری نسبت به کلیه الگوریتم های طبقه بندی داده کاوی مورد استفاده درپژوهش نشان داد.

کلیدواژه ها:

تشخیص بیماری دیابت ، الگوریتم های داده کاوی ، شبکه عصبی مصنوعی ، تصاویر ECG