fa تشخیص بیماری دیابت با استفاده از شبکه عصبی مصنوعی و عصبی- فازی عمومى General پژوهشي Research <strong><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">زمینه و هدف:</span></span></strong> <span style="font-family:b mitra;"><span style="font-size:12.0pt;">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.</span></span><br> <strong><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">روش&shy; ها:</span></span></strong><span style="font-family:b mitra;"><span style="font-size:12.0pt;"> 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&nbsp; افزار </span></span>&nbsp;<span dir="LTR">SPSS</span><span dir="LTR"> 23</span><span style="font-family:b mitra;"><span style="font-size:12.0pt;"> و برنامه نویسی در محیط نرم افزار </span></span>&nbsp;&nbsp;<span dir="LTR">MATLAB</span><span dir="LTR"> 2018</span><span style="font-family:b mitra;"><span style="font-size:12.0pt;">انجام شده است. به‌منظور حصول دقت واقعی از روش </span></span><span dir="LTR">Kfold</span><span style="font-family:b mitra;"><span style="font-size:12.0pt;"> جهت تفکیک نمونه‌ها به دو دسته آموزش (</span></span><span dir="LTR">Train</span><span style="font-family:b mitra;"><span style="font-size:12.0pt;">) و آزمون (</span></span><span dir="LTR">Test</span><span style="font-family:b mitra;"><span style="font-size:12.0pt;">) استفاده‌ گردید.</span></span><br> <strong><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">نتایج:</span></span></strong><span style="font-family:b mitra;"><span style="font-size:12.0pt;"> خطای محاسبه‌شده بر اساس میانگین مربعات خطا (</span></span><span dir="LTR">mean square error</span><span style="font-family:b mitra;"><span style="font-size:12.0pt;">) در روش شبکه عصبی مصنوعی پرسپترون چندلایه (</span></span><span dir="LTR">MLP</span><span style="font-family:b mitra;"><span style="font-size:12.0pt;">) و شبکه عصبی بردار یاد گیر کوانتیزه (</span></span><span dir="LTR">Learning</span> <span dir="LTR">Vector Quantization</span><span style="font-family:b mitra;"><span style="font-size:12.0pt;">) و شبکه‌های عصبی-فازی </span></span><span style="font-family:b mitra;">(</span><span dir="LTR">Nero fuzzy</span><span style="font-family:b mitra;"><span style="font-size:12.0pt;">) به ترتیب 98/6% و 98/2% و 99/6% بدست آمد.</span></span><br> <strong><span dir="RTL"><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">نتیجه&shy; گیری:</span></span></span></strong><span dir="RTL"><span style="font-family:b mitra;"><span style="font-size:12.0pt;"> 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.</span></span></span> <strong><em>Background & Aim</em></strong><em>:</em> A main problem in diabetes is its timely and accurate diagnosis. This study aimed at diagnosing diabetes using data mining methods.<br> <strong><em>Methods</em></strong><strong>:</strong> The present study is an analytical investigation including 768 individuals with 8 attributes. Artificial neural networks and fuzzy neural networks were used to diagnose the diabetes. To achieve a real accuracy, the Kfold method was used to divide samples into training and test groups.<br> <strong><em>Results</em></strong>: The mean square errors in multilayer perceptron network (MLP), learning vector quantization and Nero fuzzy networks were 98.6%, 98.2% and 99.6%, respectively.<br> <strong><em>Conclusion</em>:</strong> According to the results of this study, , data mining method can be effective in diagnosing diabetes.&nbsp; In this regard, both used methods are useful; however, higher precision was obtained following the use of Neuro-Fuzzy approach. دیابت, شبکه‌های عصبی مصنوعی, شبکه‌های عصبی- فازی, داده‌کاوی Diabetes, Artificial Neural Networks, Fuzzy Neural networks, Data mining 10 20 http://jms.thums.ac.ir/browse.php?a_code=A-10-556-1&slc_lang=fa&sid=1 Iman Zabbah ایمان ذباح imanzabbah@gmail.com 10031947532846008215 10031947532846008215 Yes Departement fo Electrical and Computer Engineering, University of Torbat Heydarieh, Iran گروه برق و کامپیوتر، دانشگاه تربت حیدریه، تربت حیدریه، ایران Asma Eskandari اسما اسکندری asma.eskandari@gmail.com 10031947532846008216 10031947532846008216 No University of Torbat Heydarieh, Torbat Heydarieh, Iran دانشگاه تربت حیدریه، تربت حیدریه، ایران Zahra Sardari زهزا سرداری zahra.sardari@gmail.com 10031947532846008217 10031947532846008217 No University of Torbat Heydarieh, Torbat Heydarieh, Iran دانشگاه تربت حیدریه، تربت حیدریه، ایران Abolfazl Noghandi ابوالفضل نوقندی abolfazlnoghandi@gmail.com 10031947532846008218 10031947532846008218 No University of Torbat Heydarieh, Torbat Heydarieh, Iran دانشگاه تربت حیدریه، تربت حیدریه، ایران