بررسی ارتباط تصاویر ECG با تشخیص بیماری دیابت به کمک شبکه عصبی مصنوعی و الگوریتم های داده کاوی (عنوان گردان: تعیین ارتباط تصاویر ECG و دیابت به کمک شبکه عصبی مصنوعی)

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 616

فایل این مقاله در 16 صفحه با فرمت PDF و WORD 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:

NCTAE01_228

تاریخ نمایه سازی: 11 مرداد 1396

چکیده مقاله:

مقدمه: بیماری دیابت یکی از شایعترین بیماری های دنیا شناخته شده است. یکی از مشکلات اساسی مربوط به این بیماری عدم تشخیص بموقع و صحیح آن می باشد. هدف این پژوهش ارایه 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 8 بیمار دیابتی و 64 فرد سالم حضور داشتند. الکتروکاردیوگرافی برای تمام افراد انجام گرفت. اطلاعات مورد نیاز از تصاویر ECG شامل: نام بیمار، سن، qtcb, qt, PR, P, PP, RR, t, p, HR 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 ConsistencySubsetEval با میزان 0/89 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 95% را نشان داد. همچنین الگوریتم KNN کمترین پیچیدگی زمانی را نشان داد.

کلیدواژه ها:

نویسندگان

بهزاد زمانی دهکردی

دانشکده فنی ومهندسی، دانشگاه آزاد اسلامی واحد شهرکرد، شهرکرد، ایران

مرضیه نظری

دانشجوی کارشناسی ارشد مهندسی نرم افزار کامپیوتر، دانشگاه آزاد اسلامی واحد شهرکرد، شهرکرد، ایران

فرشاد کیومرثی دهکردی

عضو هیات علمی، دانشگاه آزاد اسلامی واحد شهرکرد، شهرکرد، ایران

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 :
  • Zandkarimi E, Afshari Safavi A. Comparison of artificial neural network ...
  • Roglic G, Unwin N, Bennett PH, Mathers C, Tuomilehto J, ...
  • Ameri H, Alizadeh S, Barzegari A. Knowledge Extraction of diabetics' ...
  • American Diabetes Association. Diabetes basics. Retrieved on March. 2011; 14: ...
  • Mas oudi-Alavi N, Ghofrani-Po ur F, Larijani B, Ahmadi F, ...
  • Barfei F, Salehi M, Najafi I. Predicting diabetes using artificial ...
  • Goldstein BJ, Gomis R, Lee HK, Leiter LA. The global ...
  • World Health Organization , Diabetes Center, Fact SheetN2312, _ .who ...
  • Khosravanian A, Ayat SS. Presenting an intelligent system for diagnosis ...
  • Dunne RA, Wiley J, Inc S. A statistical approach to ...
  • Livingstone DJ, Totowa NJ. Artificial neural networks methods and application. ...
  • Delen D, Walker G, Kadam A. Predicting breast cancer survivability: ...
  • Zini G, d?Onofrio G. Neural network in hematopoietic malignancies. Clin ...
  • Sun G, Dong X, Xu G. Tumor tissue identification based ...
  • Specht D. Probabilistic Neural Networks for Clas sification, Mapping, Or ...
  • Uguz H. A biomedical system based _ artificial neural network ...
  • Chien CW, Lee YC, Ma T, Lee TS, Lin YC, ...
  • Andaieshgar _ Sedehi M, Kheiri S, Farahani nia M. Comparsion ...
  • Sargent DJ. Comparison of artificial neural networks with other statistical ...
  • Amiri A, Rafe V. Hybrid Algorithm for Detecting Diabetes. Int ...
  • Adavi M, Salehi M, Roudbari M, Asgari F, Rafei A. ...
  • Nafisi V, Hashemi Golpayegani S. Intelligent insulin injection system for ...
  • Dey N, Prasad Dash T, Dash _ ECG signal denoising ...
  • Yanowitz FG. Introduction to ECG Interpretation _ LDS Hospital & ...
  • Poungponsri S, Yu XH. An adaptive filtering approach for electrocardio ...
  • Alexakis C, Nyongesa HO, Saatchi R, Harris ND, Davies C, ...
  • ed. Morgan Kaufmann Publishers. ل{2 Network Analysis and Multirelational Data ...
  • Mikut R, Reischl M. Data mining tools. Wiley Interdi sciplinary ...
  • Al-Shayea QK. Artificial neural networks in medical diagnosis. International Journal ...
  • Mahmoodi SA. Assessment of Classification Algorithms _ the Diagnosis of ...
  • Bani-Hasan MA, Kadah YM, Rasmy ME, El-Hefnawi FM. Electro cardiogram ...
  • Mateo J, Rieta JJ. Application of artificial neural networks for ...
  • Cho BH, Yu H, Kim KW, Kim TH, Kim IY, ...
  • Kazemnejad A, Batvandi Z, Faradmal J. Comparison of artificial neural ...
  • Gh ayomizadeh H, Dero gar-Mo ghadam A, Hadadnia J, Moh ...
  • Ghav am-Zadeh M. Forecasting in contracts organized markets. [Thesis]. Tehran: ...
  • Al-Shayea QK. Artificial neural networks in medical diagnosis. International Journal ...
  • Fiuzy M, Ghara-Khani A, Hadadnia J. Providing an intelligent hybrid ...
  • نمایش کامل مراجع