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.

Diabetes mellitus, Artificial intelligence, Neural networks, Electrocardiography, Prediction models, بیماری دیابت, هوش مصنوعی, شبکه عصبی, الکتروکاردیوگرافی, مدل های پیش بینی