Розробка та дослідження генетичного методу для медичного діагностування цукрового діабету

Автор(и)

  • Є. М. Федорченко Національний університет «Запорізька політехніка» , Україна
  • А. О. Олійник Національний університет «Запорізька політехніка» , Україна
  • С. К. Корнієнко Національний університет «Запорізька політехніка» , Україна
  • О. О. Степаненко Національний університет «Запорізька політехніка» , Україна
  • М. В. Саман Національний університет «Запорізька політехніка» , Україна

DOI:

https://doi.org/10.35681/1560-9189.2021.23.2.239216

Ключові слова:

генетичний алгоритм, класифікація, нейронна мережа, прогнозування, діабет, PSO

Анотація

У результаті дослідження розроблено інтелектуальну систему підтримки прийняття рішень для діагностування цукрового діабету, яка базується на моделях машинного навчання. Розроблено модифікований генетичний метод оптимізації параметрів нейронної мережі. Модифікація простого генетичного алгоритму, яку реалізовано в рамках виконання проєкту, дозволяє пришвидшити виконання підбору параметрів навчання нейронних мереж і підвищити результуючий показник точності порівняно з базовою версією простого генетичного алгоритму, за рахунок модифікації оператора мутації, а також, зміненого підходу до вибору особин для схрещення. Розроблена модель призначена для застосування у сфері медичного обслуговування та дозволяє з певною точністю визначати наявність ризику захворюваності пацієн-та на цукровий діабет за клінічними показниками стану здоров’я. Результатом застосування даної моделі є зменшення ймовірності по-милки лікаря, підвищення впевненості лікаря в прийнятому рішенні при постановці діагнозу та більша кількість врятованих життів за рахунок постановки вірного та своєчасного діагнозу.  

Посилання

Parte R.S., Patil A., Patil A., Kad A., Kharat S. Non-invasive method for diabetes detection using CNN and SVM classifier. International journal of research in engineering, science and management. 2019. Vol. 2. P. 659-661. ISSN: 2581–7175.

Jahani M., Mahdavi M. Comparison of Predictive Models for the Early Diagnosis of Diabetes. Healthcare Informatics Research. 2016. Vol. 22. P. 95–100. doi: 10.4258/hir.2016.22.2.95.

Farre P., Heurteau A., Cuvier O., Emberly E. Dense neural networks for predicting chromatin conformation. BMC Bioinformatics. 2018. Vol. 19. doi: 10.1186/s12859-018-2286-z.

Lekha S., Suchetha M. A Novel 1-D convolution neural network with SVM architecture for real-time detection applications. IEEE Sensors Journal. 2018. Vol. 18. P. 724–731. doi: 10.1109/jsen. 2017.2780178.

Lekha S., Suchetha M. Real-Time Non-Invasive Detection and Classification of Diabetes Using Modified Convolution Neural Network. IEEE Journal of Biomedical and Health Informatics. 2018. Vol. 22. P. 1630–1636. doi: 10.1109/jbhi.2017.2757510.

Balaji H., Iyengar N., Caytiles R. Optimal Predictive analytics of Pima Diabetics using Deep Learning. International Journal of Database Theory and Application. 2017. Vol. 10. P. 47–62. doi: 10.14257/ijdta.2017.10.9.05.

Lai H., Huang H., Keshavjee K., Guergachi A., Gao X. Predictive models for diabetes mellitus using machine learning techniques. BMC Endocrine Disorders. 2019. Vol. 19. doi: 10.1186/s12902-019-0436-6.

Nimmagadda S.P., Yeruva S., Siempu R. Improved diabetes prediction model for predicting Type-II diabetes. International journal of innovative technology and exploring engineering. 2019. Vol. 8. Р. 230–235. doi: 10.35940/ijitee.l3594.1081219.

Ali R., Hussain J., Siddiqi M., Hussain M., Lee S. H2RM: A Hybrid Rough Set Reasoning Model for Prediction and Management of Diabetes Mellitus. Sensors. 2015. Vol. 15. P. 15921–15951. doi: 10.3390/s150715921.

Pavate A., Ansari N. Risk Prediction of Disease Complications in Type 2 Diabetes Patients Using Soft Computing Techniques. 2015 Fifth International Conference on Advances in Computing and Communications (ICACC). 2015. doi: 10.1109/icacc.2015.61.

Li G., Watanabe K., Anzai H., Song X., Qiao A., Ohta M. Pulse-Wave-Pattern Classification with a Convolutional Neural Network. Scientific Reports. 2019. Vol. 9. Doi: 10.1038/s41598-019-51334-2.

Jiang H., You Z., Huang Y. Predicting drug-disease associations via sigmoid kernel-based convolutional neural networks. Journal of Translational Medicine. 2019. Vol. 17. doi: 10.1186/s12967-019-2127-5.

Al-Azzawi D. Human Age and Gender Prediction Using Deep Multi-Task Convolutional Neural Network. Journal of Southwest Jiaotong University. 2019. Vol. 54. doi: 10.35741/issn.0258-2724.54.4.11.

Hemanth D., Anitha J., Naaji A., Geman O., Popescu D., Hoang Son L. A Modified Deep Convolutional Neural Network for Abnormal Brain Image Classification. IEEE Access. 2019. Vol. 7. P. 4275–4283. doi: 10.1109/access.2018.2885639.

Panda M. Combining multi-objective evolutionary algorithm with averaged one-dependence estimators for big data analytics. International Journal of Computational Intelligence Studies. 2018. Vol. 7. P. 1. doi: 10.1504/ijcistudies.2018.090160.

Sisodia D., Sisodia D. Prediction of Diabetes using Classification Algorithms. Procedia Computer Science. 2018. Vol. 132. P. 1578–1585. doi: 10.1016/j.procs.2018.05.122.

Zou Q., Qu K., Luo Y., Yin D., Ju Y., Tang H. Predicting Diabetes Mellitus With Machine Learning Techniques. Frontiers in Genetics. 2018. Vol. 9. doi: 10.3389/fgene.2018.00515.

Kalyankar G., Poojara S., Dharwadkar N. Predictive analysis of diabetic patient data using machine learning and Hadoop. 2017 International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC). 2017. doi: 10.1109/i-smac.2017.8058253.

##submission.downloads##

Опубліковано

2021-06-29

Номер

Розділ

Інформаційно-аналітичні системи обробки даних