این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دیابت و متابولیسم ایران، جلد ۲۵، شماره ۵، صفحات ۴۵۳-۴۷۱
عنوان فارسی روشی برای تشخیص بیماری دیابت با استفاده از الگوریتم‌های تبرید شبیه‌سازی شده و کی-نزدیک‌ترین همسایه
چکیده فارسی مقاله مقدمه: دیابت نوعی بیماری مزمن است که در آن بدن نمی‌تواند از گلوکز استفاده و یا آن را ذخیره کند. دیابت زمانی رخ می‌دهد که لوزالمعده قادر به ساخت انسولین نباشد یا بدن نتواند از انسولین تولید شده استفاده کند. امروزه بیماری دیابت یک بیماری شایع در جهان است و ارائه روش‌هایی خودکار برای تشخیص آن بسیار حائز اهمیت است.
روش‌ها: در این مقاله، روشی نوین برای تشخیص دیابت با استفاده از الگوریتم‌های هوش مصنوعی معرفی شده است. روش پیشنهادی مبتنی بر الگوریتم‌های فرا ابتکاری و طبقه‌بندی است. برای انتخاب ویژگی‌ها از الگوریتم فرا ابتکاری تبرید شبیه‌سازی شده (SA) استفاده شد. تشخیص دیابت نیز با استفاده از الگوریتم طبقه‌بندی بهبودیافته کی-نزدیک‌ترین همسایه (KNN) انجام می‌شود. علاوه بر روش پیشنهادی، عملکرد دو روش دیگر با نام‌های MVMCNN و WKNN در تشخیص دیابت مورد مطالعه قرار گرفتند.
یافته‌ها: روش پیشنهادی با دو روش دیگر برای تشخیص دیابت به‌صورت عملی مقایسه شده است. مقایسه‌ها براساس میزان دقت حاصل از تشخیص بیماری صورت گرفت. در آزمایش‌ها روش پیشنهادی (SAKNN) دقت 95%، روش MVMCNN دقت 93% و روش WKNN دقت 90% را ارائه کردند. بنابراین روش پیشنهادی نسبت به سایر روش‌ها عملکرد بهتری از خود نشان داده است. از نظر زمانی و چند معیار دیگر نیز روش پیشنهادی عملکرد قابل قبولی داشت.
نتیجه‌گیری: روش پیشنهادی برای تشخیص دیابت به کمک الگوریتم‌های فرا ابتکاری و طبقه‌بندی دقت بالاتری نسبت به دیگر روش‌ها ارائه می‌دهد. این نتایج نشان می‌دهد که استفاده مناسب از تکنیک‌های هوش مصنوعی می‌تواند راه‌حل‌های مؤثری برای تشخیص خودکار بیماریی دیابت ارائه دهد و می‌تواند به‌عنوان یک ابزار کمکی برای پزشکان و محققین به‌کار گرفته شود.

 
کلیدواژه‌های فارسی مقاله دیابت، هوش مصنوعی، انتخاب ویژگی، کی-نزدیک‌ترین همسایه
عنوان انگلیسی A Method for Diabetes Diagnosis Using Simulated Annealing and K-Nearest Neighbor Algorithms
چکیده انگلیسی مقاله Background: Diabetes is a chronic disease where the body cannot use or store glucose properly. Diabetes occurs when the pancreas is unable to produce insulin, or the body cannot use the insulin produced. Nowadays, diabetes is a common disease worldwide, and providing automated methods for its diagnosis is critically important.
Methods: This paper introduces a novel method for diagnosing diabetes using artificial intelligence (AI) algorithms. The proposed method is based on metaheuristic and classification algorithms. The simulated annealing (SA) metaheuristic algorithm was used for feature selection. Diabetes diagnosis was performed using the improved K-nearest neighbor (KNN) classification algorithm. In addition to the proposed method, the performance of two other methods, named MVMCNN and WKNN, was studied for diabetes diagnosis.
Results: The proposed method has been compared practically with the two other methods for diagnosing diabetes. The comparisons are based on the accuracy rate of disease diagnosis. In the experiments, the proposed method (SAKNN) demonstrated 95% accuracy, the MVMCNN method showed 93% accuracy, and the WKNN method demonstrated 90% accuracy. Thus, the proposed method outperformed the others. The proposed method also had acceptable performance in terms of time and several other criteria.
Conclusion: The proposed method for diagnosing diabetes, using metaheuristic and classification algorithms, provides higher accuracy compared to other methods. These results indicate that the proper use of AI techniques can offer effective solutions for the automatic diagnosis of diabetes and can be used as an auxiliary tool for doctors and researchers.
 
کلیدواژه‌های انگلیسی مقاله Diabetes, Artificial Intelligence, Feature Selection, K-Nearest Neighbor
نویسندگان مقاله حسین ازگومی | Hossein Azgomi
Department of Computer Engineering, Ra.C., Islamic Azad University, Rasht, Iran
گروه مهندسی کامپیوتر، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

علی اصغری | Ali Asghari
Department of Computer Engineering, Shafagh Institute of Higher Education, Tonekabon, Iran
گروه مهندسی کامپیوتر، مؤسسه آموزش عالی شفق، تنکابن، ایران

نشانی اینترنتی http://ijdld.tums.ac.ir/browse.php?a_code=A-10-2244-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات