|
|
تشخیص زود هنگام دیابت بارداری با استفاده از انتخاب ویژگی و سیستم استنتاج فازی عصبی بهینه شده با الگوریتم ازدحام ذرات
|
|
|
|
|
نویسنده
|
جمالی میترا ,خادم الحسینی حسین ,وفایی حمیرا
|
منبع
|
اولين همايش ملي تكنيك هاي توسعه پايدار در مديريت و مهندسي - 1402 - دوره : 1 - اولین همایش ملی تکنیک های توسعه پایدار در مدیریت و مهندسی - کد همایش: 02230-78000 - صفحه:0 -0
|
چکیده
|
دیابت نوعی اختلال در تحمل قند خون است. سلول های بدن ما برای تامین انرژی مورد نیاز خود از گلوکز یا قند خون استفاده می کنند. انسولین، نام هورمونی است که از لوزالمعده ترشح شده و به گلوکز اجازه ی ورود به سلول ها را می دهد. هر مشکلی که در ترشح انسولین ایجاد شود منجر به بالا رفتن قند خون یا دیابت می شود. اگر این اتفاق برای اولین بار در دوران بارداری رخ دهد به آن دیابت بارداری می گویند. علت دقیق دیابت بارداری مشخص نیست، ولی وجود برخی از سر نخها، در تشخیص زودرس این بیماری موثر است. در سال های اخیر سیستم های تشخیصی برای بیماری هایی هم چون دیابت بسیار گسترش یافته است. با توجه به دسترسی به پایگاه داده مراکز درمانی، روش های داده کاوی بسیار مورد توجه قرار گرفته اند. در رویکرد پیشنهادی به تشخیص زود هنگام دیابت بارداری پرداخته ایم تا با رعایت رژیم غذایی مناسب و مراقبت های پزشکی مورد نیاز، حتی المکان از عوارض دیابت بارداری جلوگیری به عمل آید. برای انجام پیاده سازی از نرم افزار متلب و نایم استفاده شده است. از آن جا که در این رویکرد به دنبال تشخیص زود هنگام دیابت بارداری با استفاده از سیستم استنتاج فازی عصبی بهینه شده با الگوریتم ازدحام ذرات هستیم، از حیث نوع هدف کاربردی می باشد و در آن از داده های واقعی بیمارستان حافظ و بیمارستان زینبیه، به عنوان پایگاه داده استفاده شده است. از تکنیک های مختلف داده کاوی از جمله bagging و adaboost و stackingبرای تشخیص زود هنگام دیابت بارداری و مقایسه با سیستم استنتاج فازی عصبی بهینه شده با الگوریتم ازدحام ذرات استفاده کرده ایم. رویکرد پیشنهادی در تمامی معیارهای ارزیابی accuracy و error rate و recall و specifiety و precision نسبت به سایر روش ها بهبود یافته است.
|
کلیدواژه
|
دیابت بارداری، تکنیک های داده کاوی، سیستم استنتاج فازی عصبی، الگوریتم بهینه سازی ازدحام ذرات
|
آدرس
|
, iran, , iran, , iran
|
|
|
|
|
|
|
|
|
|
|
early diagnosis of gestational diabetes using feature selection and data mining techniques
|
|
|
Authors
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|