بهبود دقت پیش‌بینی اختلالات خلقی با استفاده از ترکیب الگوریتم‌های داده‌کاوی و فراابتکاری

مقدمه: از آنجا که تاخیر یا اشتباه در تشخیص اختلالات خلقی به‌دلیل تشابه علائم، مانع درمان موثر می‌شود، هدف تحقیق حاضر، تشخیص دقیق اختلالات خلقی، شامل روان‌پریشی، اوتیسم، اختلال شخصیت، دوقطبی، افسردگی و اسکیزوفرنی، از طریق مدل‌سازی و تحلیل داده‌های بیماران است. روش: داده‌های جمع‌آوری شده در این پژوهش کاربردی-توسعه‌ای دربردارنده 996 رکورد با 130 ویژگی بود که با مصاحبه و تکمیل پرسشنامه‌ها در یک بیمارستان روان‌پزشکی در شهر ساری، ایران در سال 1400 گردآوری شد. پس از پیش‌پردازش داده‌ها، تعداد ویژگی‌ها با تحلیل همبستگی به 91 و سپس با تحلیل مولفه‌های اصلی (pca) به 35 فاکتور کاهش یافت. مدل‌سازی داده‌ها در نرم‌افزار پایتون با الگوریتم‌های k نزدیک‌ترین همسایه(knn)، نایو بیز (nb)، درخت تصمیم (dt)، جنگل تصادفی (rf)، رگرسیون لجستیک (lr) و ماشین بردار پشتیبان (svm) صورت گرفت. عملکرد مدل‌ها ارزیابی گردید و پارامترهای الگوریتم‌های با دقت بالاتر توسط الگوریتم‌های فراابتکاری بهینه‌سازی ازدحام ذرات (pso) و ژنتیک (ga) تخمین زده شد. نتایج: از بین الگوریتم‌های یادگیری ماشین، دو الگوریتم rf با دقت 91 و svm با دقت 90 درصد عملکرد بهتری داشتند. ga افزایش دقت قابل‌ملاحظه‌ای ایجاد نکرد، اما درنظرگرفتن مقادیر 30، 150، 0/9، 2 و 2 به‌ترتیب به‌عنوان تعداد ذرات، تعداد تکرار الگوریتم، ضریب اینرسی، ضریب شخصی و ضریب اجتماعی در الگوریتم pso دقت پیش‌بینی را تا 3/3 درصد بهبود بخشید. نتیجه‌گیری: با خطای طبقه‌بندی کمتر نسبت به پژوهش‌های مشابه، مدل pso-svm طراحی شده در این پژوهش با دقت قابل قبولی می‌تواند در پایش داده‌های بیماران به‌کار گرفته شده و در سامانه‌های هوشمند مراکز روان‌پزشکی مورد استفاده قرار گیرد.

accuracy improvement of mood disorders prediction using a combination of data mining and meta-heuristic algorithms

introduction: since the delay or mistake in the diagnosis of mood disorders due to the similarity of their symptoms hinders effective treatment, this study aimed to accurately diagnose mood disorders including psychosis, autism, personality disorder, bipolar, depression, and schizophrenia, through modeling and analyzing patients’ data. method: data collected in this applied developmental research included 996 records with 130 features obtained by interviewing and completing questionnaires in a mental hospital in the city of sari, iran in 2021. after preprocessing, the number of features was reduced to 91, and then through principal component analysis (pca) reduced to 35 factors.  modeling was done in python software with k-nearest neighbor (knn), naive bayes (nb), decision tree (dt), random forest (rf), logistic regression (lr), and support vector machine (svm) algorithms. the models were evaluated to select algorithms with higher accuracy. particle swarm optimization (pso) and genetic algorithm (ga) were applied to determine the optimal parameters of the selected algorithms. results: among the machine learning algorithms, random forest with 91% accuracy and support vector machine with 90% accuracy showed better performance. the genetic algorithms did not make any notable increase in prediction accuracy. whereas considering n=30, t=150, w=0.9, c1=2, and c2=2 in the particle swarm optimization algorithm increased the prediction accuracy up to 3.3 %. conclusion: with less classification error compared to similar studies, the pso-svm model designed in this study can be used in patient data monitoring with acceptable accuracy and can be used in intelligent systems in psychiatric centers.