دوره 6، شماره 2 - ( 6-1397 )
جلد 6 شماره 2 صفحات 20-10 |
برگشت به فهرست نسخه ها
ایمان ذباح 
1، اسما اسکندری2 ، زهزا سرداری2 ، ابوالفضل نوقندی2
1، اسما اسکندری2 ، زهزا سرداری2 ، ابوالفضل نوقندی2
1- گروه برق و کامپیوتر، دانشگاه تربت حیدریه، تربت حیدریه، ایران
2- دانشگاه تربت حیدریه، تربت حیدریه، ایران
2- دانشگاه تربت حیدریه، تربت حیدریه، ایران
چکیده: (5071 مشاهده)
زمینه و هدف: یﮑﯽ از ﻣﺸﮑﻼت اﺳﺎﺳﯽ ﺑﯿﻤﺎری دیابت عدم‌تشخیص به‌موقع و درمان ﺻﺤﯿﺢ آن است. مطالعه حاضر با هدف تشخیص بیماری دیابت با استفاده از روش مبتنی برداده کاوی انجام شده است.
روش ها: این مطالعه از نوع تحلیلی بوده و پایگاه داده آن مشتمل بر 768 نفر با 8 ویﮋﮔﯽ می‌باشد. در این پژوهش از شبکه‌های عصبی مصنوعی و عصبی-فازی جهت تشخیص بیماری دیابت و انجام محساسبات استفاده شد. تحلیل آماری با استفاده از نرم افزار SPSS 23 و برنامه نویسی در محیط نرم افزار MATLAB 2018انجام شده است. به‌منظور حصول دقت واقعی از روش Kfold جهت تفکیک نمونه‌ها به دو دسته آموزش (Train) و آزمون (Test) استفاده گردید.
نتایج: خطای محاسبه‌شده بر اساس میانگین مربعات خطا (mean square error) در روش شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و شبکه عصبی بردار یاد گیر کوانتیزه (Learning Vector Quantization) و شبکه‌های عصبی-فازی (Nero fuzzy) به ترتیب 98/6% و 98/2% و 99/6% بدست آمد.
نتیجه گیری: با توجه به نتایج مطالعه، بنظر می رسد استفاده از مدل‌های مبتنی برداده کاوی می‌تواند بعنوان یک روش کمکی در تشخیص بیماری دیابت کارآمد باشد. اگرچه روش های مورد مطالعه با دقت قابل قبول توانایی امکان پیش بینی بیماری دیابت را دارند اما نتایج مطالعه نشان می دهد که روش مبتنی بر عصبی فازی دقت بالاتری دارند.
روش ها: این مطالعه از نوع تحلیلی بوده و پایگاه داده آن مشتمل بر 768 نفر با 8 ویﮋﮔﯽ می‌باشد. در این پژوهش از شبکه‌های عصبی مصنوعی و عصبی-فازی جهت تشخیص بیماری دیابت و انجام محساسبات استفاده شد. تحلیل آماری با استفاده از نرم افزار SPSS 23 و برنامه نویسی در محیط نرم افزار MATLAB 2018انجام شده است. به‌منظور حصول دقت واقعی از روش Kfold جهت تفکیک نمونه‌ها به دو دسته آموزش (Train) و آزمون (Test) استفاده گردید.
نتایج: خطای محاسبه‌شده بر اساس میانگین مربعات خطا (mean square error) در روش شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و شبکه عصبی بردار یاد گیر کوانتیزه (Learning Vector Quantization) و شبکه‌های عصبی-فازی (Nero fuzzy) به ترتیب 98/6% و 98/2% و 99/6% بدست آمد.
نتیجه گیری: با توجه به نتایج مطالعه، بنظر می رسد استفاده از مدل‌های مبتنی برداده کاوی می‌تواند بعنوان یک روش کمکی در تشخیص بیماری دیابت کارآمد باشد. اگرچه روش های مورد مطالعه با دقت قابل قبول توانایی امکان پیش بینی بیماری دیابت را دارند اما نتایج مطالعه نشان می دهد که روش مبتنی بر عصبی فازی دقت بالاتری دارند.
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |