-ارائه روشی به منظور تشخیص و بهینه سازی بیماری دیابت با استفاده از روش های داده کاوی و الگوریتم کرم شب تاب | ||
| مدیریت مهندسی و رایانش نرم | ||
| مقاله 3، دوره 9، شماره 1 - شماره پیاپی 16، فروردین 1402، صفحه 36-48 اصل مقاله (1.86 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22091/JEMSC.2022.6575.1147 | ||
| نویسنده | ||
| رضا مولایی فرد* | ||
| کارشناس ارشد، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد دزفول. رایانامه: rezamolae4@gmail.com | ||
| چکیده | ||
| بیماری دیابت یکی از شایع ترین، خطرناک ترین و پرهزینه ترین بیماری های حال حاضر دنیا است، که با نرخ هشدار دهنده ای در حال افزایش است. استفاده از روش های داده کاوی می تواند به تشخیص زودهنگام دیابت کمک کند، که باعث جلوگیری از پیشرفت این بیماری و خیلی از عوارض آن مانند بیماری های قلبی و عروقی، مشکلات بینایی و بیماری های کلیوی می شود. ارائه خدمات مراقبتی و بهداشتی افراد مبتلا به بیماری دیابت اطلاعات مفیدی ایجاد می کند که با استفاده از این اطلاعات می توان برای شناسایی، درمان، مراقبت های بعدی و حتی پیشگیری از بیماری دیابت استفاده نمود. در این تحقیق به ارائه روش جدیدی به منظور بهبود تشخیص و پیشگیری از بیماری دیابت با استفاده از روش های داده کاوی پرداخته می شود. در این تحقیق از الگوریتم خوشه بندی DBSCAN جهت خوشه بندی داده ها استفاده می شود سپس با استفاده از SVM داده ها را جهت تشخیص داده های مفید، دسته بندی می کنیم و در نهایت با الگوریتم کرم شب تاب داده های بدست آمده را جهت افزایش کارایی با این الگوریتم بهینه می کنیم.نتایج حاصل از این تحقیق حاکی از کارایی بالاتر الگوریتم DBSCAN نسبت به سایر الگوریتم های خوشه بندی است همچنین الگوریتم SVM می تواند دقت 98% را بدست آورد که در مقایسه با سایر الگوریتم های داده کاوی توانست درصد دقت بیشتری را کسب کند. | ||
| کلیدواژه‌ها | ||
| تشخیص دیابت؛ داده کاوی؛ الگوریتم DBSCAN؛ الگوریتم SVM؛ الگوریتم کرم شب تاب | ||
| عنوان مقاله [English] | ||
| Provide a method to diagnose and optimize diabetes using data mining methods and firefly algorithm | ||
| نویسندگان [English] | ||
| Reza Molaee Fard | ||
| MSC. Department of industrial engineering, Azad university of dezfull. Email: rezamolae4@gmail.com | ||
| چکیده [English] | ||
| Diabetes is one of the most common, dangerous and costly diseases in the world today, which is increasing at an alarming rate. The use of data mining methods can help in the early diagnosis of diabetes, which prevents the progression of this disease and many of its complications such as cardiovascular disease, vision problems and kidney disease. Providing care and health services to people with diabetes provides useful information that can be used to identify, treat, follow-up care and even prevent diabetes. In this study, a new method is presented to improve the diagnosis and prevention of diabetes using data mining methods. In this research, the DBSCAN clustering algorithm is used to cluster the data. Then, using SVM, we classify the data to identify useful data, and finally, with the firefly algorithm, we increase the obtained data to increase we optimize performance with this algorithm. The results of this study indicate that the DBSCAN algorithm is more efficient than other clustering algorithms. Also, the SVM algorithm can achieve 98% accuracy, which compared to other data mining algorithms could achieve a higher accuracy percentage. | ||
| کلیدواژه‌ها [English] | ||
| Diabetes Diagnosis, Data Mining, DBSCAN Algorithm, SVM Algorithm, Firefly Algorithm | ||
| مراجع | ||
|
Alirezaei, M., Niaki, S. T. A., & Niaki, S. A. A. (2019). A bi-objective hybrid optimization algorithm to reduce noise and data dimension in diabetes diagnosis using support vector machines. Expert Systems with Applications, 127, 47-57. https://doi.org/10.1016/j.trb.2017.04.003 Barik, S., Mohanty, S., Mohanty, S., & Singh, D. (2021). Analysis of prediction accuracy of diabetes using classifier and hybrid machine learning techniques. In Intelligent and Cloud Computing (pp. 399-409). Springer, Singapore. https://doi.org/1094/j.trb.2002.24.45 Dey, N. (2020). Applications of firefly algorithm and its variants. Springer Singapore. https://doi.org/1061/j.trb.2023.30.113 Gopi, A. P., Jyothi, R. N. S., Narayana, V. L., & Sandeep, K. S. (2020). Classification of tweets data based on polarity using improved RBF kernel of SVM. International Journal of Information Technology, 1-16. https://doi.org/1033/j.trb.2022.20.12 Kaur, P., & Sharma, M. (2018). Analysis of data mining and soft computing techniques in prospecting diabetes disorder in human beings: a review. Int. J. Pharm. Sci. Res, 9, 2700-2719. https://doi.org/1093/j.trb.2017.22.63 Kazerouni, F., Bayani, A., Asadi, F., Saeidi, L., Parvizi, N., & Mansoori, Z. (2020). Type2 diabetes mellitus prediction using data mining algorithms based on the long-noncoding RNAs expression: a comparison of four data mining approaches. BMC bioinformatics, 21(1), 1-13. https://doi.org/1019/j.trb.2018.14.13 Kouziokas, G. N. (2020). SVM kernel based on particle swarm optimized vector and Bayesian optimized SVM in atmospheric particulate matter forecasting. Applied Soft Computing, 93, 106410. https://doi.org/1086/j.trb.2010.32.80 Kumar, A., Kumar, P., Srivastava, A., Kumar, V. A., Vengatesan, K., & Singhal, A. (2020, April). Comparative Analysis of Data Mining Techniques to Predict Heart Disease for Diabetic Patients. In International Conference on Advances in Computing and Data Sciences (pp. 507-518). Springer, Singapore. https://doi.org/1083/j.trb.2012.35.14 Li, Z., Li, Y., Lu, W., & Huang, J. (2020). Crowdsourcing logistics pricing optimization model based on DBSCAN clustering algorithm. IEEE Access, 8, 92615-92626. https://doi.org/1074/j.trb.2018.9.61 Luengo, J., García-Gil, D., Ramírez-Gallego, S., García, S., & Herrera, F. (2020). Big data preprocessing. Cham: Springer. https://doi.org/1031/j.trb.2011.35.6 Marie-Sainte, S. L., & Alalyani, N. (2020). Firefly algorithm based feature selection for Arabic text classification. Journal of King Saud University-Computer and Information Sciences, 32(3), 320-328. https://doi.org/1017/j.trb.2015.38.125 Manikannan, K., & Nagarajan, V. (2020). Optimized mobility management for RPL/6LoWPAN based IoT network architecture using the firefly algorithm. Microprocessors and Microsystems, 77, 103193. https://doi.org/1048/j.trb.2006.23.93 Mishra, P., Biancolillo, A., Roger, J. M., Marini, F., & Rutledge, D. N. (2020). New data preprocessing trends based on ensemble of multiple preprocessing techniques. TrAC Trends in Analytical Chemistry, 116045. https://doi.org/1013/j.trb.2023.37.122 Pitchaimanickam, B., & Murugaboopathi, G. (2020). A hybrid firefly algorithm with particle swarm optimization for energy efficient optimal cluster head selection in wireless sensor networks. Neural Computing and Applications, 32(12), 7709-7723. https://doi.org/1071/j.trb.2013.7.138 Prasad, K. S., Reddy, N. C. S., & Puneeth, B. N. (2020). A Framework for Diagnosing Kidney Disease in Diabetes Patients Using Classification Algorithms. SN Computer Science, 1(2), 1-6. https://doi.org/1030/j.trb.2020.31.125 Shankar, K., Lakshmanaprabu, S. K., Gupta, D., Maseleno, A., & De Albuquerque, V. H. C. (2020). Optimal feature-based multi-kernel SVM approach for thyroid disease classification. The journal of supercomputing, 76(2), 1128-1143. https://doi.org/1061/j.trb.2022.13.65 Sheridan, K., Puranik, T. G., Mangortey, E., Pinon-Fischer, O. J., Kirby, M., & Mavris, D. N. (2020). An application of dbscan clustering for flight anomaly detection during the approach phase. In AIAA Scitech 2020 Forum (p. 1851). https://doi.org/1033/j.trb.2021.14.99 Tang, S., Yuan, S., & Zhu, Y. (2020). Data preprocessing techniques in convolutional neural network based on fault diagnosis towards rotating machinery. IEEE Access, 8, 149487-149496. https://doi.org/1060/j.trb.2017.29.82 Trachanatzi, D., Rigakis, M., Marinaki, M., & Marinakis, Y. (2020). A Firefly Algorithm for the Environmental Prize-Collecting Vehicle Routing Problem. Swarm and Evolutionary Computation, 100712. https://doi.org/1072/j.trb.2002.30.38 Wang, Y., Gu, Y., & Shun, J. (2020, June). Theoretically-efficient and practical parallel DBSCAN. In Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data (pp. 2555-2571). https://doi.org/1092/j.trb.2012.36.31 Zhou, J., Nekouie, A., Arslan, C. A., Pham, B. T., & Hasanipanah, M. (2020). Novel approach for forecasting the blast-induced AOp using a hybrid fuzzy system and firefly algorithm. Engineering with Computers, 36(2), 703-712. https://doi.org/1080/j.trb.2010.32.57 | ||
|
آمار تعداد مشاهده مقاله: 849 تعداد دریافت فایل اصل مقاله: 307 |
||