تشخیص چاقی و فشار‌خون بالا در دانش‌آموزان اصفهانی با استفاده از شبکه عصبی مصنوعی

مقدمه: چاقی و فشار خون بالا از مشکلات سلامتی جامعه می‌باشد هدف این مطالعه تشخیص چاقی و فشار‌خون بالا در دانش‌آموزان اصفهانی توسط شبکه عصبی مصنوعی است.روش: تحقیق حاضر یک مطالعه تشخیصی و پیش‌بینی کننده است که با استفاده از اطلاعات 460 نفر از دانش‌آموزان 187 ساله اصفهانی شبکه عصبی که شامل 11 متغیر ورودی (سن، جنسیت، وزن، قد، دور کمر، شاخص توده بدنی، نسبت دورکمر به قد، چاقی شکمی، فعالیت فیزیکی، ژنتیک و رفتارهای تغذیه‌ای ناسالم) و سه متغیر خروجی چاقی، فشارخون سیستولیک، فشارخون دیاستولیک، طراحی شد. از دو الگوریتم گرادیان مزدوج و لونبرگمارکوارت برای آموزش شبکه استفاده گردید.نتایج: شبکه عصبی منتخب با الگوریتم لونبرگ در تشخیص چاقی و فشار‌خون دیاستولیک بالا دارای 16 نرون مخفی و در تشخیص فشار‌خون سیستولیک بالا دارای 14 نرون مخفی می‌باشد. میزان حساسیت، ویژگی و صحت شبکه در تشخیص چاقی به ترتیب 0/9591، 0/9975، 0/9934 به دست آمد و برای فشار‌خون سیستولیک بالا به ترتیب 0/8461، 0/9949، 0/9739 و برای فشارخون دیاستولیک بالا به ترتیب اعداد 0/7952، 0/9973، 0/9609 می‌باشد. ملاحظه شد که شبکه طراحی شده با دقت بالای 95 درصد چاقی را در کودکان و نوجوانان و با دقت بالای 84 و 79 درصد به ترتیب فشارخون سیستولیک و دیاستولیک بالا را تشخیص می‌دهد.نتیجه‌گیری: طبق نتایج حاصل شده حدود 83 درصد از نوجوانان چاق دارای فشارخون بالا هستند؛ لذا ضرورت طراحی برنامه‌های آموزشی در زمینه تغییرات رفتاری از جمله فعالیت فیزیکی همراه با مداخله در برنامه‌ریزی تغذیه دانش‌آموزان احساس می‌شود.

Diagnosis of Obesity and Hypertension in Isfahani Students Using Artificial Neural Network

Introduction: Obesity and hypertension are community health problems. The objective of this study was to diagnose obesity and hypertension in Isfahani students by artificial neural network.Method: The present study was a diagnostic and predictive one that used the information of 460 students aged 718 years old in Isfahan to design a neural network with 11 input variables (age, sex, weight, height, waist circumference, body mass index, waist to height ratio, abdominal obesity, physical activity, genetics, and unhealthy eating behaviors) and three output variables of obesity, systolic blood pressure, and diastolic blood pressure. Conjugate Gradient and LevenbergMarquardt algorithms were used for network training.Results: Selected neural network with the Levenberg algorithm has 16 hidden neurons in the diagnosis of obesity and high diastolic blood pressure and 14 hidden neurons in the diagnosis of high systolic blood pressure. The sensitivity, specificity, and accuracy of the network in the diagnosis of obesity were 0.9591, 0.9975, and 0.9934, respectively, and these values were 0.8461, 0.9949, and 0.9739 for high systolic blood pressure and 0.7952, 0.9973, and 0.9609 for high diastolic blood pressure. It was observed that the designed network detects obesity in children and adolescents with a high accuracy of 95% and diagnoses systolic and diastolic blood pressures with a high accuracy of 84% and 79%, respectively.Conclusion: According to the results, about 83% of obese adolescents have hypertension. Therefore, there it is necessary to design educational programs in the field of behavioral changes, including physical activity along with interventions in nutrition planning for students.