فرزانه آقامحمودیان اصفهانی - گروه کامپیوتر،دانشکده فنی مهندسی،دانشگاه شهید اشرفی اصفهانی،اصفهان،ایران
ناصر نعمت بخش - گروه کامپیوتر،دانشکده فنی مهندسی،دانشگاه شهید اشرفی اصفهانی،اصفهان،ایران
محسن اخوان طبیب - گروه بهداشت و درمان،دانشکده پزشکی ، دانشگاه آزاد اسلامی ،نجف آباد،ایران

دیابت، به گروهی از اختلالات متابولیکی گفته می شود که نتیجه عدم کنترل قند خون است. تشخیص به موقع و در ادامه کنترل این بیماری به خوبی باعث کاهش اثرات ناشی از آن مثل رتینوپاتی دیابتی، گرفتگی قلبی و عروقی سکته های مغزی و غیره می شود. محققان تا به امروز تلاش های بسیاری در این زمینه کرده اند؛ اما اغلب این مدل ها یا مبتنی بر روش های یادگیری ماشین ساده و یا بر این فرض استوار هستند که داده های دیابت در دسترس متوازن هستند. از اینرو، در این مقاله یک مدل تشخیص بیماری دیابت مبتنی بر شبکه های عصبی بازگشتی عمیق و الگوریتم بیش نمونه گیری SMOTE ارائه شده است. در این مدل چندین مرحله پیش پردازش شامل مقدار دهی به مقادیر از دست رفته، حذف داده های پرت و سپس بیش نمونه گیری انجام شده است. از سه شبکه عصبی عمیق بازگشتی با سه واحد پنهان بازگشتی شامل LSTM, GRU و BiLSTM برای تشخیص استفاده شده است. نتایج مدل ارائه شده بر روی پایگاه داده Pima حاکی از آن است که میانگین صحت در ۱۰ اجرای مختلف در LSTM و GRU و BiLSTM به ترتیب ۹۱.۲۱ % ، ۸۹.۶۱ و ۹۰.۹۹ % است. نتایج مدل بازگشتی ما نشان می دهد، شبکه های عصبی عمیق در مقایسه با روش های یادگیری ماشین عملکرد بسیار موفق تری دارند.

تشخیص دیابت, شبکه عصبی بازگشتی, بیش نمونه گیری, داده های پرت, یادگیری ماشین