بررسی پیش بینی بیماری سل با استفاده از الگوریتم های هوشمند داده کاوی

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,651

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCCEB01_092

تاریخ نمایه سازی: 18 خرداد 1393

چکیده مقاله:

پزشکان جهت تشخیص بیماری سل از روش ها و آزمایشات مختلفی استفاده می کنند روش های دقیق و مطمئن، معمولا به مدت زمان زیادی برای پاسخگویی نیاز دارند.نکته حائز اهمیت این است که در بازه زمانی انتظار برای پاسخ روش های مطمئن، بتوانیم اقداماتی به موقع و مناسب برای پیشگیری و کنترل سرایت بیماری به سایر افراد و تسریع بهبود بیماری برداریم.در این مقاله سعی داریم با استفاده از برخی الگوریتم های هوشمند مانند SVM ،Naive Bayse ،Random Forest ،C4.5،و همچنین ترکیب این الگوریتم ها با دسته بندی کننده تجمعی Bagging و استفاده از 8 ویژگی به همراه نمونه ها در پایگاه داده استاندارد، که هر یک بازگو کننده افراد سالم و مبتلا به بیماری سل میباشند به تشخیص وجود یا عدم وجود بیماری سل با توجه به معیارهای دقت و سرعت عمل الگوریتم های هوشمند در تشخیص این بیماری خواهیم پرداخت، تا در آخر بر اساس علائم اولیه و نتایج آزمایشات ساده و زود پاسخ ده، بتوانیم احتمالی از ابتلا فرد به سل را از همان اولین لحظات مراجعه فرد به پزشک تا قبل از مهیا شدن نتایج آزمایشات مطمئن مهیا کنیم.

کلیدواژه ها:

نویسندگان

حسین دلیری شمس آبادی

دانشجوی کارشناسی ارشد،گروه مهندسی کامپیوتر دانشگاه کاشان،

حسین ابراهیم پور کومله

استادیار، گروه مهندسی کامپیوتر دانشگاه کاشان،

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Jawetz Melnick & Adelbergs Medical Microbiology 26th ed, Geo. Brooks, ...
  • Huyen Thi Thanh Tran, ;The role of monocytes in the ...
  • Immunob iology 219 (2014) 37- 44 July 2013. ...
  • H. Hannah Inbarani and Ahmad Taher Azar and G. Jothi, ...
  • KhoshgoftarT. M. GolawalaM., Van HulseJ., An Empirical Study of Learning ...
  • Jiun-Hung Chen and Chu-song Chen, "Fuzzy Kernel perceptron", IEEE, November ...
  • Nicolaos B. Karayiannis, Senior Member and Mary M. Randolph-gips "On ...
  • Vapnik V., Statistical Learning Theory, John Wiley & Sons, New ...
  • Jihoon Yang and Vasant Honavar, "Feature Subset Selection using a ...
  • Wlodzislaw Duch and Rafal Adamczak and Krzysztof Grabczewski, _ new ...
  • نمایش کامل مراجع