دوره 10، شماره 3 - ( 9-1402 )
جلد 10 شماره 3 صفحات 259-238 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
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
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
دانشجوی دکتری تخصصی مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران
چکیده: (385 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.
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.
واژه‌های کلیدی: کلاس بندی، بیماری های انسدادی ریوی، نرخ جداپذیری فیشر، K نزدیک ترین همسایه، الگوریتم بهینه سازی ملخ
فایل صوتی [MP3 2918 KB] (12 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
