دوره 9، شماره 3 - ( 9-1401 )
جلد 9 شماره 3 صفحات 119-106 |
برگشت به فهرست نسخه ها
دکترای مهندسی صنایع، استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
چکیده: (1344 مشاهده)
مقدمه: از آنجا که تأخیر یا اشتباه در تشخیص اختلالات خلقی به‌دلیل تشابه علائم، مانع درمان مؤثر 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 مؤلفه‌های 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.
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 مؤلفه‌های 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.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |