بهینه سازی تشخیص بیماری آلزایمر با استفاده از روش های یادگیری ماشین

چکیده مقاله

بیماری آلزایمر یک اختلال نورودژنراتیو مزمن است که با زوال تدریجی عملکردهای شناختی و حافظه مشخص می شود این پژوهش به بررسی عملکرد روش های مختلف انتخاب ویژگی در مدل های یادگیری ماشین برای پیش بینی بیماری آلزایمر می پردازد در این تحقیق از روش های نوین انتخاب ویژگی مبتنی بر Wrapper شامل RFE، SFS، SFE، ERSFS و SPFSR برای شناسایی مهم ترین ویژگی های مرتبط با تشخیص این بیماری استفاده شده است الگوریتم های طبقه بندی شامل K نزدیک ترین همسایه، درخت تصمیم، ماشین بردار پشتیبان، جنگل تصادفی و شبکه عصبی پرسپترون چند لایه بر روی مجموعه داده استاندارد بیماران آلزایمر مورد ارزیابی قرار گرفته اند نتایج با استفاده از معیارهای ارزیابی مانند دقت، ویژگی، صحت، حساسیت، F۱ و منحنی ROC مقایسه و بررسی شده اند ویژگی های انتخاب شده در این مجموعه داده شامل آزمون کوتاه وضعیت ذهنی، ارزیابی عملکردی، شکایت های حافظه، مشکلات رفتاری و امتیاز فعالیت های روزمره هستند که در مدل های مختلف یادگیری ماشین عملکرد بالایی را به ارمغان می آورند این پژوهش پتانسیل روش های انتخاب ویژگی را برای بهبود عملکرد طبقه بندی بیماری آلزایمر نشان می دهد و می تواند به پزشکان و محققان در توسعه و به کارگیری ابزارهای تشخیصی دقیق تر برای این بیماری کمک نماید این تحقیق بینش ارزشمندی در مورد مهم ترین عوامل موثر بر پیش بینی ابتلا به بیماری آلزایمر ارائه می دهد

کلیدواژه‌ها

نویسندگان

حامد صباغ گل

دانشجوی دکتری گروه مهندسی کامپیوتر، واحد بیرجند، دانشگاه آزاد اسلامی بیرجند، ایران

حمید سعادت فر

استادیار گروه مهندسی کامپیوتر، دانشگاه بیرجند، ایران

مهدی خزاعی پور

استادیار، گروه مهندسی کامپیوتر، واحد بیرجند، دانشگاه آزاد اسلامی بیرجند، ایران

�باغ گل، حامد و سعادت فر، حمید و خزاعی پور، مهدی،1403،بهینه سازی تشخیص بیماری آلزایمر با استفاده از روش های یادگیری ماشین،ششمین کنفرانس ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و صنایع،اسفراین

ارائه‌شده در

مجموعه مقالات ششمین کنفرانس ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و صنایع15 آبان 1403 · اسفراین