دوره 11، شماره 2 - ( 6-1402 )
جلد 11 شماره 2 صفحات 45-30 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
H H, N K, A G, A A. Diagnosis of Autism Spectrum Disorder Using Principal Component Analysis for Feature Extraction and Artificial Neural Networks. Journal title 2023; 11 (2) :30-45
URL: http://jms.thums.ac.ir/article-1-1202-fa.html
URL: http://jms.thums.ac.ir/article-1-1202-fa.html
هوشمند حبیبه، خردنیا نجمه، قدرتی عباس، عبیدی آتنا. تشخیص اختلال طیف اوتیسم با بهره‌گیری از تحلیل مولفه های اصلی جهت استخراج بهترین ویژگی‌ها با استفاده از شبکه‌های عصبی مصنوعی. عنوان نشریه. 1402; 11 (2) :30-45
حبیبه هوشمند1 
، نجمه خردنیا1 ، عباس قدرتی2 ، آتنا عبیدی 3
، نجمه خردنیا1 ، عباس قدرتی2 ، آتنا عبیدی 3
1- دانشگاه تربت حیدریه
2- دانشگاه علوم پزشکی تربت حیدریه
3- دانشگاه آزاد اسلامی، بوشهر
2- دانشگاه علوم پزشکی تربت حیدریه
3- دانشگاه آزاد اسلامی، بوشهر
چکیده: (481 مشاهده)
زمینه و هدف: طیف اوتیسم یکی از اختلالات روان‌شناختی کودکان محسوب می‌شود. تشخیص به‌موقع و با دقت این اختلال، اهمیت فراوانی در تأمین مراقبت و درمان مناسب کودکان دارد. هدف اصلی این تحقیق، تأکید بر اهمیت ویژگی‌های مرتبط با بیماری اوتیسم و تشخیص آن با استفاده از یک مدل هوشمند است، چراکه برخی از این ویژگی‌ها از درجه اولویت بالاتری برخوردارند.
روش ها: بدین منظور، از روش تحلیل مولفه اصلی(PCA) برای اولویت‌بندی ویژگی‌ها استفاده شد و پس از استخراج ویژگی های بهینه، با استفاده از شبکه های عصبی مصنوعی، به تشخیص خودکار بیماری پرداخته شده است.
نتایج: داده‌های مورد استفاده در این مطالعه از مجموعه‌داده Kaggle جمع‌آوری شده‌اندکه شامل 1054 فرد بوده، که از این تعداد 728 نفر مبتلا به اوتیسم و 326 نفر سالم بوده‌اند. بررسی‌های این مطالعه نشان می دهد که حذف تدریجی ویژگی‌ها و تقلیل از 18 به 12 ویژگی، می‌تواند به حصول همان دقت در تشخیص طیف اوتسیم با استفاده از شبکه‌های عصبی مصنوعی، منجر شود.
روش ها: بدین منظور، از روش تحلیل مولفه اصلی(PCA) برای اولویت‌بندی ویژگی‌ها استفاده شد و پس از استخراج ویژگی های بهینه، با استفاده از شبکه های عصبی مصنوعی، به تشخیص خودکار بیماری پرداخته شده است.
نتایج: داده‌های مورد استفاده در این مطالعه از مجموعه‌داده Kaggle جمع‌آوری شده‌اندکه شامل 1054 فرد بوده، که از این تعداد 728 نفر مبتلا به اوتیسم و 326 نفر سالم بوده‌اند. بررسی‌های این مطالعه نشان می دهد که حذف تدریجی ویژگی‌ها و تقلیل از 18 به 12 ویژگی، می‌تواند به حصول همان دقت در تشخیص طیف اوتسیم با استفاده از شبکه‌های عصبی مصنوعی، منجر شود.
نتیجه گیری: کاهش تعداد ویژگی‌ها در مدل‌های هوش مصنوعی برای تشخیص اوتیسم، ضمن کمک به بهبود و بهینه‌سازی فرآیند تشخیص بیماری، می تواند منجر به کاهش استرس والدین و حفظ حریم خصوصی آنها بدلیل تعداد کمتر سوالات شده و در نهایت منجر به تولید مدل‌هایی با عملکرد بهتر و تفسیرپذیرتر شود.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
This work is licensed under a Creative Commons Attribution 4.0 International License.
Designed & Developed by : Yektaweb