الگوریتم های یادگیری ماشین برای پیشگیری از انتشار بیماری های واگیر بر پایه ویژگی های مؤثر در تشخیص کووید-19 (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
این مطالعه باهدف توسعه الگوریتم های هوش مصنوعی بر پایه اینترنت اشیاء انجام شده است که ضمن تشخیص و پیش بینی همه گیری در زمان واقعی با استفاده از مکان افراد، بر مراقبت و بهبود نیز تأکید می کند.بیماری هدف در این پژوهش باتوجه به اهمیت و فراگیری، کووید19 است.بر اساس نوع گردآوری داده ها از نوع پژوهش های کیفی بوده و باتوجه به توسعه الگوریتم ها، روش تحقیق در این پژوهش مبتنی بر علم طراحی است. رویکرد تحقیق آینده نگر است، به طوری که مکانیزم انتقال بیماری و ویژگی های تأثیرگذار آن ما را قادر به پیش بینی هایی در مورد بیماری و در نتیجه طرح استراتژی های کنترل بیماری و مراقبت های بهداشتی می نماید.پژوهش در یک فرایند 7 مرحله ای انجام شد. ویژگی های اینترنت اشیاء در پژوهش حاضر با نظر خبرگان استخراج شد و ویژگی های به دست آمده در آزمایش 2 الگوریتم مختلف «k نزدیک ترین همسایگی» و «درخت تصمیم» بر روی داده ها برای تعیین بهترین مدل ایجاد شد.پس از انتخاب بهترین عمق و بهترین همسایگی در الگوریتم ها، اعتبار و تصدیق مدل با تحلیل ماتریس ابهام انجام شد.نتایج اجرای الگوریتم ها برای پیش بینی بیماری کووید19، دقت بالاتر از 98 درصد را نشان دادند. حساسیت بالاتر (99 درصد) که برای تشخیص بیماری کووید19 اهمیت بالایی دارد و نشان دهنده حداقل موارد منفی کاذب در نتایج آزمون است، در الگوریتم درخت تصمیم به دست آمد.machine learning algorithms to prevent the spread of infectious diseases based on effective features in the diagnosis of Covid-19
This study aimed to develop IoT-based machine learning algorithms care and improvement while detecting and predicting real-time epidemics.The target disease is COVID-19 due to its importance and epidemic.The research method is based on design science. The research approach is forward-looking, so the mechanism of disease transmission and its effective characteristics enable us to make predictions about the disease and thus design disease control strategies and health care.The research was carried out in a seven-step process. IoT features were extracted in the present study with experts' opinions. The features obtained in the experiment of two different algorithms, "k nearest neighbor" and "decision tree," were created on the data to determine the best model.After selecting the best depth validation of the model were performed by confusion matrix analysis.The results of running k-nearest neighborhood and Decision Tree algorithms for the prediction of COVID-19 indicated an accuracy of > 98%. Higher sensitivity (99%) was obtained in the Decision Tree algorithm, which is very important diagnosing COVID-19 and indicates the minimum number of false negatives in the test results.
تبلیغات
