Repository of Research and Investigative Information

Repository of Research and Investigative Information

Torbat Heydariyeh University of Medical Sciences

تشخیص بیماری دیابت با استفاده از شبکه عصبی مصنوعی و عصبی- فازی

(2018) تشخیص بیماری دیابت با استفاده از شبکه عصبی مصنوعی و عصبی- فازی. Journal of Torbat Heydariyeh University of Medical Sciences. pp. 10-20. ISSN 2538-2845

[img]
Preview
Text
thums-jms-v6n2p10-fa.pdf

Download (578kB) | Preview

Official URL: http://jms.thums.ac.ir/article-1-500-en.html

Persian Abstract

زمینه و هدف: یﮑﯽ از ﻣﺸﮑﻼت اﺳﺎﺳﯽ ﺑﯿﻤﺎری دیابت عدم‌تشخیص به‌موقع و درمان ﺻﺤﯿﺢ آن است. مطالعه حاضر با هدف تشخیص بیماری دیابت با استفاده از روش‌ مبتنی برداده کاوی انجام ‌شده است. روش­ ها: این مطالعه از نوع تحلیلی بوده و پایگاه داده آن مشتمل بر 768 نفر با 8 ویﮋﮔﯽ می‌باشد. در این پژوهش از شبکه‌های عصبی مصنوعی و عصبی-فازی جهت تشخیص بیماری دیابت و انجام محساسبات استفاده ‌شد. تحلیل آماری با استفاده از نرم  افزار  SPSS 23 و برنامه نویسی در محیط نرم افزار   MATLAB 2018انجام شده است. به‌منظور حصول دقت واقعی از روش Kfold جهت تفکیک نمونه‌ها به دو دسته آموزش (Train) و آزمون (Test) استفاده‌ گردید. نتایج: خطای محاسبه‌شده بر اساس میانگین مربعات خطا (mean square error) در روش شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و شبکه عصبی بردار یاد گیر کوانتیزه (Learning Vector Quantization) و شبکه‌های عصبی-فازی (Nero fuzzy) به ترتیب 98/6 و 98/2 و 99/6 بدست آمد. نتیجه­ گیری: با توجه به نتایج مطالعه، بنظر می رسد استفاده از مدل‌های مبتنی برداده کاوی می‌تواند بعنوان یک روش کمکی در تشخیص بیماری دیابت کارآمد باشد. اگرچه روش های مورد مطالعه با دقت قابل قبول توانایی امکان پیش بینی بیماری دیابت را دارند اما نتایج مطالعه نشان می دهد که روش مبتنی بر عصبی فازی دقت بالاتری دارند.

Title

Diagnosis of Diabetes using Artificial Neural Network and Neuro-Fuzzy approach

Abstract

Background & Aim: A main problem in diabetes is its timely and accurate diagnosis. This study aimed at diagnosing diabetes using data mining methods. Methods: The present study is an analytical investigation including 768 individuals with 8 attributes. Artificial neural networks and fuzzy neural networks were used to diagnose the diabetes. To achieve a real accuracy, the Kfold method was used to divide samples into training and test groups. Results: The mean square errors in multilayer perceptron network (MLP), learning vector quantization and Nero fuzzy networks were 98.6, 98.2 and 99.6, respectively. Conclusion: According to the results of this study, , data mining method can be effective in diagnosing diabetes.  In this regard, both used methods are useful; however, higher precision was obtained following the use of Neuro-Fuzzy approach.

Item Type: Article
Keywords: Diabetes, Artificial Neural Networks, Fuzzy Neural networks, Data mining
Page Range: pp. 10-20
Journal or Publication Title: Journal of Torbat Heydariyeh University of Medical Sciences
Journal Index: Not Index
Volume: 6
Number: 2
Publisher: Torbat Heydariyeh University of Medical Sciences
ISSN: 2538-2845
Depositing User: دکتر محبوبه عبداللهی
URI: http://eprints.thums.ac.ir/id/eprint/1130

Actions (login required)

View Item View Item