جستجوی مقالات مرتبط با کلیدواژه « meta-heuristic algorithms » در نشریات گروه « پزشکی »
-
مقدمه
از آنجا که تاخیر یا اشتباه در تشخیص اختلالات خلقی به دلیل تشابه علایم، مانع درمان موثر می شود، هدف تحقیق حاضر، تشخیص دقیق اختلالات خلقی، شامل روان پریشی، اوتیسم، اختلال شخصیت، دوقطبی، افسردگی و اسکیزوفرنی، از طریق مدل سازی و تحلیل داده های بیماران است.
روشداده های جمع آوری شده در این پژوهش کاربردی-توسعه ای دربردارنده 996 رکورد با 130 ویژگی بود که با مصاحبه و تکمیل پرسشنامه ها در یک بیمارستان روان پزشکی در شهر ساری، ایران در سال 1400 گردآوری شد. پس از پیش پردازش داده ها، تعداد ویژگی ها با تحلیل همبستگی به 91 و سپس با تحلیل مولفه های اصلی (PCA) به 35 فاکتور کاهش یافت. مدل سازی داده ها در نرم افزار پایتون با الگوریتم های K نزدیک ترین همسایه (KNN)، نایو بیز (NB)، درخت تصمیم (DT)، جنگل تصادفی (RF)، رگرسیون لجستیک (LR) و ماشین بردار پشتیبان (SVM) صورت گرفت. عملکرد مدل ها ارزیابی گردید و پارامترهای الگوریتم های با دقت بالاتر توسط الگوریتم های فراابتکاری بهینه سازی ازدحام ذرات (PSO) و ژنتیک (GA) تخمین زده شد.
نتایجاز بین الگوریتم های یادگیری ماشین، دو الگوریتم RF با دقت 91 و SVM با دقت 90 درصد عملکرد بهتری داشتند. GA افزایش دقت قابل ملاحظه ای ایجاد نکرد، اما درنظرگرفتن مقادیر 30، 150، 0/9، 2 و 2 به ترتیب به عنوان تعداد ذرات، تعداد تکرار الگوریتم، ضریب اینرسی، ضریب شخصی و ضریب اجتماعی در الگوریتم PSO دقت پیش بینی را تا 3/3 درصد بهبود بخشید.
نتیجه گیری:
با خطای طبقه بندی کمتر نسبت به پژوهش های مشابه، مدل PSO-SVM طراحی شده در این پژوهش با دقت قابل قبولی می تواند در پایش داده های بیماران به کار گرفته شده و در سامانه های هوشمند مراکز روان پزشکی مورد استفاده قرار گیرد.
کلید واژگان: اختلال روانی, یادگیری ماشین, الگوریتم های فرا ابتکاری, داده کاوی, پیش بینی}IntroductionSince the delay or mistake in the diagnosis of mood disorders due to the similarity of their symptoms hinders effective treatment, this study aimed to accurately diagnose mood disorders including psychosis, autism, personality disorder, bipolar, depression, and schizophrenia, through modeling and analyzing patients' data.
MethodData collected in this applied developmental research included 996 records with 130 features obtained by interviewing and completing questionnaires in a mental hospital in the city of Sari, Iran in 2021. After preprocessing, the number of features was reduced to 91, and then through Principal Component Analysis (PCA) reduced to 35 factors. Modeling was done in Python software with K-Nearest Neighbor (KNN), Naive Bayes (NB), Decision Tree (DT), Random Forest (RF), Logistic Regression (LR), and Support Vector Machine (SVM) algorithms. The models were evaluated to select algorithms with higher accuracy. Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) were applied to determine the optimal parameters of the selected algorithms.
ResultsAmong the machine learning algorithms, random forest with 91% accuracy and support vector machine with 90% accuracy showed better performance. The genetic algorithms did not make any notable increase in prediction accuracy. Whereas considering N=30, T=150, W=0.9, c1=2, and c2=2 in the particle swarm optimization algorithm increased the prediction accuracy up to 3.3 %.
ConclusionWith less classification error compared to similar studies, the PSO-SVM model designed in this study can be used in patient data monitoring with acceptable accuracy and can be used in intelligent systems in psychiatric centers.
Keywords: Mood Disorder, Machine Learning, Meta-Heuristic Algorithms, Data Mining, Prediction} -
Introduction
Earthquakes, one of the most important natural disasters of the earth, have always caused irreparable damage to human settlements in short time. One of the most important issues that we face after an earthquake is the transfer of earthquake victims and traumatized civilians to safe places and medical centers. The city of Mashhad with different geographical faults and the presence of enormous religious, cultural, historical and industrial assets make Mashhad the most dangerous city in terms of earthquake hazards. In the 9th district of this city, the existence of worn - out structures along the narrow passages and the importance to save time in providing relief proves the need to locate temporary accommodation centers and allocate the injured to safe places.
Material and MethodsThe process of optimizing the accommodation of people includes 2 main steps 1) Determining candidate locations for temporary accommodation 2) Optimal allocation of population blocks (origin). The weight of criteria was calculated using the pairwise comparison method. Then suitable places for deployment are identified. Criterion in the form of giving a specific wei ght to each, in order to prepare the final map, is of importance. Accordingly, the opinions of experts in the field of urban crisis management have been utilized. Subsequently, using GAMS software and 7 super - innovative algorithms such as SA, PSO, ICA, ACO , ABC, FA, LAFA.
ResultsThe average process time and cost of 7 algorithms out of ten random problems with 1000 repetitions, and an average of 10 execution times show, that the 3 algorithms ACO, ABC and LAFA have lower cost and process time than the other meta - innovative algorithms. Therefore, we use the above three algorithms to solve the case study
ConclusionFinally, the LAFA optimization algorithm had obtained a better and more appropriate result due to its execution time and cost being less than the other two algorithms.
Keywords: Mathematical Modeling, Geographic Information System, Meta-Heuristic Algorithms, Assignment of Victims, Earthquake Crisis Management}
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.