مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

37
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

365
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

بهبود دقت پیش بینی اختلالات خلقی با استفاده از ترکیب الگوریتم های داده کاوی و فراابتکاری

صفحات

 صفحه شروع 106 | صفحه پایان 119

چکیده

 مقدمه: از آنجا که تأخیر یا اشتباه در تشخیص اختلالات خلقی به دلیل تشابه علائم, مانع درمان مؤثر می شود, هدف تحقیق حاضر, تشخیص دقیق اختلالات خلقی, شامل روان پریشی, اوتیسم, اختلال شخصیت, دوقطبی, افسردگی و اسکیزوفرنی, از طریق مدل سازی و تحلیل داده های بیماران است. روش: دادههای جمعآوری شده در این پژوهش کاربردی-توسعه ای دربردارنده 996 رکورد با 130 ویژگی بود که با مصاحبه و تکمیل پرسشنامه ها در یک بیمارستان روان پزشکی در شهر ساری, ایران در سال 1400 گردآوری شد. پس از پیش پردازش داده ها, تعداد ویژگی ها با تحلیل همبستگی به 91 و سپس با تحلیل مؤلفه های اصلی (PCA) به 35 فاکتور کاهش یافت. مدل سازی داده ها در نرم افزار پایتون با الگوریتم های K نزدیک ترین همسایه(KNN), نایو بیز (NB), درخت تصمیم (DT), جنگل تصادفی (RF), رگرسیون لجستیک (LR) و ماشین بردار پشتیبان (SVM) صورت گرفت. عملکرد مدل ها ارزیابی گردید و پارامترهای الگوریتم های با دقت بالاتر توسط الگوریتم های فراابتکاری بهینه سازی ازدحام ذرات (PSO) و ژنتیک (GA) تخمین زده شد. نتایج: از بین الگوریتم های یادگیری ماشین, دو الگوریتم RF با دقت 91 و SVM با دقت 90 درصد عملکرد بهتری داشتند. GA افزایش دقت قابل ملاحظه ای ایجاد نکرد, اما درنظرگرفتن مقادیر 30, 150, 0/9, 2 و 2 به ترتیب به عنوان تعداد ذرات, تعداد تکرار الگوریتم, ضریب اینرسی, ضریب شخصی و ضریب اجتماعی در الگوریتم PSO دقت پیش بینی را تا 3/3 درصد بهبود بخشید. نتیجه گیری: با خطای طبقه بندی کمتر نسبت به پژوهش های مشابه, مدل PSO-SVM طراحی شده در این پژوهش با دقت قابل قبولی می تواند در پایش داده های بیماران به کار گرفته شده و در سامانه های هوشمند مراکز روان پزشکی مورد استفاده قرار گیرد.

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    فری برزی، مانا، زینال نژاد، معصومه، و سقایی، عباس. (1401). بهبود دقت پیش بینی اختلالات خلقی با استفاده از ترکیب الگوریتم های داده کاوی و فراابتکاری. انفورماتیک سلامت و زیست پزشکی، 9(3 )، 106-119. SID. https://sid.ir/paper/1135735/fa

    Vancouver: کپی

    فری برزی مانا، زینال نژاد معصومه، سقایی عباس. بهبود دقت پیش بینی اختلالات خلقی با استفاده از ترکیب الگوریتم های داده کاوی و فراابتکاری. انفورماتیک سلامت و زیست پزشکی[Internet]. 1401؛9(3 ):106-119. Available from: https://sid.ir/paper/1135735/fa

    IEEE: کپی

    مانا فری برزی، معصومه زینال نژاد، و عباس سقایی، “بهبود دقت پیش بینی اختلالات خلقی با استفاده از ترکیب الگوریتم های داده کاوی و فراابتکاری،” انفورماتیک سلامت و زیست پزشکی، vol. 9، no. 3 ، pp. 106–119، 1401، [Online]. Available: https://sid.ir/paper/1135735/fa

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا