دوره 10، شماره 3 - ( 9-1402 )                   جلد 10 شماره 3 صفحات 259-238 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Pouramirarsalani S, Vahdani manaf N, Rajebi S, Makouei S. Optimizing the KNN Algorithm to Diagnose Obstructive Pulmonary Diseases. jhbmi 2023; 10 (3) :238-259
URL: http://jhbmi.ir/article-1-783-fa.html
پورامیرارسلانی شهرزاد، وحدانی مناف نادر، راجبی سامان، ماکویی سمیه. بهینه‌سازی الگوریتم KNN در راستای تشخیص بیماری‌های انسدادی ریوی. مجله انفورماتیک سلامت و زیست پزشکی. 1402; 10 (3) :238-259

URL: http://jhbmi.ir/article-1-783-fa.html


دانشجوی دکتری تخصصی مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران
چکیده:   (638 مشاهده)
مقدمه: به گزارش سازمان بهداشت جهانی، بیماریهای ریوی سومین علت مرگ و میر در جهان میباشند. این بیماریها ماهیت مزمن داشته، بنابراین تشخیص زودهنگام اهمیت بالایی دارد. تستهای عملکردی ریوی ابزار مهمی در بررسی و پایش بیماران مبتلا به آسیبهای تنفسی میباشند. هدف از این پژوهش بهینهسازی الگوریتم پایه K نزدیکترین همسایه میباشد که با دقت بالاتری خودارزیابی و تفسیر نتایج تست اسپیرومتری را تسهیل و تسریع میکند.
روش: در این پژوهش کاربردی روشی پیشنهاد شده است که محدودیت­ های الگوریتم پایه را با بهینه­ سازی، ارزش­گذاری ویژگی­ ها و رأی­ گیری وزن‌دار بهبود بخشیده و با به کارگیری آن بیماری­ های انسدادی ریوی را بر اساس مجموعه داده تشکیل یافته از تست­ های تنفس­ سنجی و پارامترهای عمومی، در سه دسته آسم، برونشیت مزمن و آمفیزم کلاس ­بندی کرده است.
نتایج: در تعیین روش مناسب برای محاسبه فاصله داده ­ها، روش مینوکوفسکی انتخاب شد و با اعمال ضرایب ارزش ویژگی ­ها در این رابطه دقت کلاس‌بندی افزایش یافت. رأی ­گیری وزن‌دار در قسمت نهایی الگوریتم بر اساس کرنل گوسی صورت گرفت که بر این اساس عملکرد ثابتی به ازای تغییر پارامتر تعداد همسایگان به دست آمد. نتایج ارزیابی­ ها در قالب اعتبارسنجی متقابل انجام شد که دقت 95/4 درصد و 93/2 درصد صحت در زمان 3/12 ثانیه به دست آمد.
نتیجه‌گیری: بکارگیری الگوریتم­ های یادگیری ماشین می­تواند در تجزیه و تحلیل داده­ های پزشکی مؤثر واقع گردد؛ لذا در این مطالعه از این رویکردها برای ارائه روشی جدید در کلاس­بندی، کمک گرفته شد، به طوری که الگوریتم پیشنهادی توانست روش پایه را بهبود ببخشد و همچنین دقت و عملکرد بهتری نسبت به روش ­های پیشین، داشته باشد.

 
متن کامل [PDF 1566 kb]   (265 دریافت)    
نوع مطالعه: پژوهشي اصیل | موضوع مقاله: داده کاوی
دریافت: 1402/3/6 | پذیرش: 1402/8/15

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله انفورماتیک سلامت و زیست پزشکی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Health and Biomedical Informatics

Designed & Developed by : Yektaweb