بررسی تشخیص بیماری دیابت بر اساس اطلاعات مستخرج از سیگنال ECG با استفاده از شبکه های عصبی مصنوعی
عنوان مقاله: بررسی تشخیص بیماری دیابت بر اساس اطلاعات مستخرج از سیگنال ECG با استفاده از شبکه های عصبی مصنوعی
شناسه ملی مقاله: JR_SKUMS-19-4_007
منتشر شده در در سال 1396
شناسه ملی مقاله: JR_SKUMS-19-4_007
منتشر شده در در سال 1396
مشخصات نویسندگان مقاله:
مرضیه نظری - دانشگاه آزاد اسلامی، واحد شهرکرد
بهزاد زمانی دهکردی - دانشگاه آزاد اسلامی واحد شهرکرد
فرشاد کیومرثی دهکردی - دانشگاه آزاد اسلامی واحد شهرکرد
خلاصه مقاله:
مرضیه نظری - دانشگاه آزاد اسلامی، واحد شهرکرد
بهزاد زمانی دهکردی - دانشگاه آزاد اسلامی واحد شهرکرد
فرشاد کیومرثی دهکردی - دانشگاه آزاد اسلامی واحد شهرکرد
زمینه و هدف: بیماری دیابت یکی از شایع ترین بیماری های دنیا شناخته شده است. یکی از مشکلات اساسی مربوط به این بیماری عدم تشخیص به موقع و صحیح آن می باشد. هدف این پژوهش ارائه روش جدیدی برای تشخیص بیماری دیابت است و قصد دارد برای اولین بار ارتباط تصاویر ECG با تشخیص بیماری دیابت به کمک شبکه عصبی مصنوعی و الگوریتم های داده کاوی را بررسی کند.
روش بررسی: در این مطالعه ۸ بیمار دیابتی و ۶۴ فرد سالم حضور داشتند. الکتروکاردیوگرافی برای تمام افراد انجام گرفت. اطلاعات مورد نیاز از تصاویر ECG شامل: نام بیمار، سن، HR، p، t، RR، PP، P، PR، qt،qtcb استخراج و در پایگاه داده جمع آوری شد. برای طبقه بندی بیماران از شبکه های عصبی احتمالی و الگوریتم های استاندارد داده کاوی استفاده شده است. داده ها از طریق الگوریتم های داده کاوی و روش های متفاوت کلاس بندی مورد بررسی و ارزیابی قرار گرفتند و نتایج هر یک با توجه به نرخ صحیح مقایسه شدند. از نرم افزار weka برای رده بندی ها استفاده شده است.
یافته ها: دقت شناسایی الگوریتم های مبتنی بر قوانین و شبکه عصبی، نسبت به الگوریتم های درخت تصمیم و الگوریتم های مبتنی بر فاصله بالاتر و نتایج بهتری در تشخیص بیماری دیابت نشان دادند. بهترین نرخ شایستگی در الگوریتم Consistency Subset Eval با میزان ۰/۸۹ 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 ۹۵% 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 در پژوهش نشان داد.
کلمات کلیدی: Diabetes mellitus, Artificial intelligence, Neural networks, Electrocardiography, Prediction models, بیماری دیابت, هوش مصنوعی, شبکه عصبی, الکتروکاردیوگرافی, مدل های پیش بینی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1223986/