دوره ۷، شماره ۳ - ( پاییز ۱۴۰۳ )
جلد ۷ شماره ۳ صفحات ۲۰۸-۱۹۹ |
برگشت به فهرست نسخه ها
Ethics code: 2816597
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Akhoundi Yazdi S, Janghorbani Poudeh A, Maleki A. Early Detection of Autism Spectrum Disorder Using Machine Learning. Iran J Health Insur 2024; 7 (3) :199-208
URL: http://journal.ihio.gov.ir/article-1-328-fa.html
URL: http://journal.ihio.gov.ir/article-1-328-fa.html
آخوندی یزدی شبنم، جانقربانی پوده امین، مالکی علی. تشخیص زودهنگام اختلال طیف اوتیسم با استفاده از یادگیری ماشین. بیمه سلامت ایران. ۱۴۰۳; ۷ (۳) :۱۹۹-۲۰۸
۱- مرکز ملی تحقیقات بیمه سلامت، تهران، ایران
۲- گروه بیوتکنولوژی، پردیس علم و فناوری‌های نوین، دانشگاه سمنان، سمنان، ایران ،a.janghorbani@semnan.ac.ir
۳- گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران
۲- گروه بیوتکنولوژی، پردیس علم و فناوری‌های نوین، دانشگاه سمنان، سمنان، ایران ،
۳- گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران
چکیده: (۴۸۸ مشاهده)
مقدمه: اوتیسم نوعی اختلال رشدی است که در درجه اول تعاملات و ارتباطات اجتماعی را مختل می‌سازد. این اختلال درمان قطعی ندارد بنابراین تشخیص زودهنگام برای کاهش این اثرات مهم است. هدف از این مطالعه شناسایی افراد مبتلا به اوتیسم براساس اطلاعات ثبت شده از الگوی راه رفتن آن‌ها به وسیله حسگر کینکت است.
روش بررسی: در این پژوهش با استفاده از روش یادگیری ماشین مبتنی بر اطلاعات ثبت شده از موقعیت قرارگیری مفاصل هنگام راه رفتن توسط حسگر کینکت، افراد مبتلا به اوتیسم شناسایی شدند. ابتدا، گروه ویژگی‌های آماری از دادگان کینکت استخراج شد که شامل موقعیت مفاصل و زوایای بین آن‌ها است. سپس ویژگی‌های استخراج شده با استفاده از آزمون آماری تحلیل واریانس بررسی و ویژگی‌های بهینه انتخاب شدند. در نهایت با استفاده از طبقه‌بند درخت تصمیم طبقه‌بندی انجام شد.
یافته‌ها: در این مقاله با استفاده از طبقه بند درخت تصمیم و ۴۲ ویژگی بهینه انتخاب شده مبتنی بر تحلیل آماری، طبقه‌بندی گروه سالم و بیمار انجام شد و صحت ۸۵ درصد به‌دست آمد. میزان حساسیت و ویژه‌بودن به‌دست آمده در این طبقه‌بندی، به ترتیب ۸۸ و ۸۲ درصد است.
نتیجه‌گیری: با توجه به نتایج طبقه‌بندی انجام شده، مشاهده می‌شود که این پژوهش توانست با استفاده از بردار ویژگی با بعد کم که به‌وسیله تحلیل آماری به‌دست آمده بود، به صحت قابل قبولی دست یابد. در این پژوهش نشان داده شد که تنها با داشتن موقعیت قرارگیری چند مفصل می‌توان افراد مبتلا به اوتیسم را از افراد سالم طبقه‌بندی کرد. پیشنهاد می‌گردد در پژوهش‌های آتی با استفاده از این روش میزان بهبودی یا کنترل اوتیسم در افراد را پس از انجام روش‌های درمانی اندازه‌گیری کنند.
روش بررسی: در این پژوهش با استفاده از روش یادگیری ماشین مبتنی بر اطلاعات ثبت شده از موقعیت قرارگیری مفاصل هنگام راه رفتن توسط حسگر کینکت، افراد مبتلا به اوتیسم شناسایی شدند. ابتدا، گروه ویژگی‌های آماری از دادگان کینکت استخراج شد که شامل موقعیت مفاصل و زوایای بین آن‌ها است. سپس ویژگی‌های استخراج شده با استفاده از آزمون آماری تحلیل واریانس بررسی و ویژگی‌های بهینه انتخاب شدند. در نهایت با استفاده از طبقه‌بند درخت تصمیم طبقه‌بندی انجام شد.
یافته‌ها: در این مقاله با استفاده از طبقه بند درخت تصمیم و ۴۲ ویژگی بهینه انتخاب شده مبتنی بر تحلیل آماری، طبقه‌بندی گروه سالم و بیمار انجام شد و صحت ۸۵ درصد به‌دست آمد. میزان حساسیت و ویژه‌بودن به‌دست آمده در این طبقه‌بندی، به ترتیب ۸۸ و ۸۲ درصد است.
نتیجه‌گیری: با توجه به نتایج طبقه‌بندی انجام شده، مشاهده می‌شود که این پژوهش توانست با استفاده از بردار ویژگی با بعد کم که به‌وسیله تحلیل آماری به‌دست آمده بود، به صحت قابل قبولی دست یابد. در این پژوهش نشان داده شد که تنها با داشتن موقعیت قرارگیری چند مفصل می‌توان افراد مبتلا به اوتیسم را از افراد سالم طبقه‌بندی کرد. پیشنهاد می‌گردد در پژوهش‌های آتی با استفاده از این روش میزان بهبودی یا کنترل اوتیسم در افراد را پس از انجام روش‌های درمانی اندازه‌گیری کنند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1403/5/25 | ویرایش نهایی: 1403/10/18 | پذیرش: 1403/7/24 | انتشار الکترونیک: 1403/10/3
دریافت: 1403/5/25 | ویرایش نهایی: 1403/10/18 | پذیرش: 1403/7/24 | انتشار الکترونیک: 1403/10/3
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
