یش بینی بیماری دیابت نوع دو در شهر مشهد با استفاده از الگوریتم گروه جوجه مرغ ها و شبکه های عصبی مصنوعی

مقدمه:بیماری دیابت یکی از شایع ترین بیماری های جوامع بشری بوده و جزء مشکلات عمده سلامت جامعه می باشد. این بیماری به لحاظ عوارض زودرس و دیررس مشکلات بسیاری را به بیمار و جامعه تحمیل می کند. شایع ترین عوارض دیابت عبارتند از: بیماری های قلبی، نارسایی کلیوی، بیماری های چشمی، آسیب عصبی و عفونت. شبکه های عصبی مصنوعی یا به زبان ساده تر شبکه های عصبی، سیستم ها و روش های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش بینی پاسخ های خروجی از سامانه های پیچیده. ایده اصلی این گونه شبکه ها (تا حدودی) الهام گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده ها و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. در ایران سالنه هزینه های زیادی جهت مراقبت و ناتوانی های ناشی از دیابت صرف می شود در این مقاله از الگوریتم گروه جوجه مرغ ها برای انتخاب ویژگی و از شبکه های عصبی جهت پیش بینی بیماری دیابت نوع دو جهت جلوگیری از عوارض ناشی از این بیماری استفاده شده است تا در هزینه های اضافی ناشی از بیماری دیابت صرفه جویی شود. روش بررسی: مجموعه داده این پژوهش با پرسش از پزشکان خبره و جمع آوری تمام ویژگی های مختلف از بیماران مبتال به دیابت نوع دو از جامعه آماری انجمن بیماران دیابتی شهر مشهد که در مجموع 33 مورد بود، جمع آوری شده است. در مدل پیشنهادی، ابتدا در فاز اول، مجموعه داده با تمام ویژگی های استخراج شده برای آن، جهت انتخاب بهترین ویژگی ها با استفاده از الگوریتم گروه جوجه مرغ ها و روش K تا از نزدیک ترین همسایگان KNN( Neighbor Nearest K )به صورت تکنیک انتخاب ویژگی رپر wrapper نجام می شود و سپس در فاز بعدی به پیدا کردن بهترین معماری شبکه عصبی پرسپترون چندلایه برای آموزش و پیش بینی استفاده می شود. درنهایت بهترین معماری شبکه با رعایت جلوگیری از آموزش بیش از اندازه شبکه آموزش دیده و تست می شود. یافته ها: پس از فاز انتخاب ویژگی، 6 فاکتور جهت تشخیص وجود بیماری و عدم بیماری دیابت پیدا شد که به عنوان ورودی برای شبکه عصبی در نظر گرفته شده است. خروجی شبکه عصبی، قند خون ناشتا بوده و پس از آموزش شبکه عصبی میتوان این فاکتور را برای افراد پیش بینی نمود. بهترین عملکرد اعتبارسنجی در شبکه عصبی برای آموزش شبکه با میزان خطا (MSE) 04-5917E.1 و برای آزمایش با میزان خطا (MSE (04-4176E.4 و برای اعتبارسنجی شبکه با میزان خطا (MSE- (6490E.104 می باشد که نشان دهنده دقت مدل پیشنهادی در پیش بینی بوده است نتیجه گیری: در این مقاله یک ساختار با دو فاز ارایه شد که یک فاز انتخاب ویژگی و فاز دوم آموزش سیستم می باشد. در فاز انتخاب ویژگی از روش گروه جوجه مرغ ها و روش نزدیک ترین همسایه در مدل رپر و در فاز آموزش سیستم، شبکه عصبی پرسپترون چندلایه استفاده شد. این ساختار با افزایش تعداد نرون های لایه میانی، کاهش تعداد مراحل یادگیری و بالا بردن تعداد عملیات محاسباتی شبکه، پیش بینی دقیقی از وجود و یا عدم وجود بیماری می دهد تا بیماران در همان مراحل اول آگاه شوند و اقدامات الزم را جهت کنترل این بیماری انجام دهند.

کلیدواژه ها:

بیماری دیابت ، انتخاب ویژگی ، الگوریتم گروه جوجه مرغ ها ، شبکه عصبی پرسپترون چندلایه