ارائه یک مدل تشخیص دیابت مبتنی بر شبکه های عصبی عمیق بازگشتی و الگوریتم بیش نمونه گیری
عنوان مقاله: ارائه یک مدل تشخیص دیابت مبتنی بر شبکه های عصبی عمیق بازگشتی و الگوریتم بیش نمونه گیری
شناسه ملی مقاله: JR_DTJ-2-4_006
منتشر شده در در سال 1400
شناسه ملی مقاله: JR_DTJ-2-4_006
منتشر شده در در سال 1400
مشخصات نویسندگان مقاله:
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
خلاصه مقاله:
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.
کلمات کلیدی: تشخیص دیابت, شبکه عصبی بازگشتی, بیش نمونه گیری, داده های پرت, یادگیری ماشین
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1853946/