การพัฒนาวิธีจำแนกประเภทข้อมูลโดยใช้โครงข่ายประสาทเทียมแบบปรับเหมาะผสมผสานการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค สำหรับการจำแนกประเภทกลุ่มเสี่ยง ในการเป็นโรคเบาหวาน
Article Sidebar
เผยแพร่แล้ว:
ม.ค. 1, 2020
คำสำคัญ:
โครงข่ายประสาทเทียม การหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค โรคเบาหวาน
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อ 1) พัฒนาวิธีจำแนกประเภทข้อมูลโดยใช้โครงข่ายประสาทเทียมแบบปรับเหมาะผสมผสานการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค 2) เปรียบเทียบประสิทธิภาพวิธีการจำแนกประเภทข้อมูล 3 วิธี ได้แก่ โครงข่ายประสาทเทียมแบบปรับเหมาะผสมผสานการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค (AANN-PSO) โครงข่ายประสาทเทียมแบบดั้งเดิมผสมผสานการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค (ANN-PSO) และโครงข่ายประสาทเทียมแบบดั้งเดิม (ANN) และ 3) ศึกษาการจำแนกประเภทกลุ่มเสี่ยงในการเป็นโรคเบาหวานและกลุ่มปกติโดยใช้วิธีการจำแนกประเภทข้อมูลที่พัฒนาขึ้นข้อมูลที่ใช้ในการศึกษาเป็นตัวอย่างผู้ป่วยที่มีภาวะเสี่ยงต่อการเป็นโรคเบาหวานในพื้นที่เขตรับผิดชอบของสำนักงานสาธารณสุขจังหวัดนครพนม ปี พ.ศ. 2561จำนวน 7,000 ระเบียน ผลการวิจัยปรากฏว่า
- วิธีจำแนกประเภทข้อมูลโดยใช้โครงข่ายประสาทเทียมแบบปรับเหมาะผสมผสานการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาคที่พัฒนาขึ้น ด้วยฟังก์ชันการแปลงใหม่เมื่อทำให้ค่าความชันของฟังก์ชันเป้าหมายลดลง และประสิทธิภาพการจำแนกประเภทข้อมูลมีค่าความแม่นยำเพิ่มขึ้น
- วิธี AANN-PSO มีประสิทธิภาพการจำแนกประเภทข้อมูลมากกว่าวิธี ANN-PSO และ วิธี ANN ทั้ง 5 สถานการณ์ และมีประสิทธิภาพเพิ่มขึ้นเมื่อขนาดตัวอย่างเพิ่มขึ้น
- ตัวแปรที่เป็นปัจจัยสำคัญที่ส่งผลต่อการเป็นโรคเบาหวาน ได้แก่ ดัชนีมวลกาย ความดันโลหิตช่วงหัวใจคลายตัว อายุ ความดันโลหิตช่วงหัวใจบีบตัว เส้นรอบเอว และประวัติเบาหวานในญาติสายตรง โดยการจำแนกประเภทข้อมูลกลุ่มเสี่ยงผู้ป่วยเป็นโรคเบาหวานด้วยวิธี AANN-PSO มีค่าความแม่นยำ ร้อยละ 92.79 และค่าความคลาดเคลื่อนกำลังสองเฉลี่ยเท่ากับ 0.07
Article Details
ประเภทบทความ
บทความวิจัย (Research Articles)
ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารวิทยาการวิจัยและวิทยาการปัญญา
เอกสารอ้างอิง
Botoca, C., Bardan, R., Botoca, M., & Alexa, F. (2010). Prostate cancer prognosis evaluation assisted byneural networks. WSEAS Transactions on Computers, 9(2), 164-73.
Eberhart, R., & Kennedy, J. (1995). A new optimizer using particle swarm theory. In Micro Machine and Human Science, 1995. MHS'95., Proceedings of the Sixth International Symposium on (pp. 39-43). IEEE.
Edla, D. R., &Cheruku, R. (2017). Diabetes-finder: a bat optimized classification system for type-2 diabetes. Procedia Computer Science, 115, 235-242.
Geethanjali, M., Mary Raja Slochanal, S., & Bhavani, R. (2008). PSO trained ANN-based differential protection scheme for power transformers. Neurocomputing,71(4-5), 904-918.
Jain, S., Shukla, S., &Wadhvani, R. (2018). Dynamic selection of normalization techniques using data complexity measures. Expert Systems with Applications, 106(1), 252-262.
Jaroenrat, K. (2015). Particle Swarm Optimization for Open Shortest Path First Network’s Traffic Engineering. Information Technology Journal, 11(1), 43-52.
Karan, O., Bayraktar, C., Gümüskaya, H., &Karlık, B. (2012). Diagnosing diabetes using neural networks onsmall mobile devices. Expert Systems with Applications, 39(1), 54-60.
Ministry of Public Health. (2016) Department of Mental Health. [Online]. https://www.dmh.go.th/news-dmh/view.asp?id=25634
Mohammadi, N., &Mirabedini, S. J. (2014). Comparison of particle swarmoptimization and backpropagation algorithms for training feedforwardneural network. Journal of Mathematicsand Computer Science, 12(1), 113-123.
Nai-aruna, N., &Moungmaia, R. (2015). Comparison of classifiers for the risk of diabetesprediction. Procedia Computer Science, 69(1), 132-142.
Sahu, B., & Mishra, D. (2012). A Novel feature selection algorithm using particle swarm optimization for cancer microarray data. Procedia Engineering,38(1), 27-31.
Smyth, G. K., & Speed, T. (2003). Normalization of cDNA microarray data. Methods, 31(4), 265-273.
Sumathi, B.,&Santhakumaran, A. (2011). Pre-diagnosis of hypertension using artificialneuralnetwork. Journal of Computer Science and Technology, 11(2), 42-48.
Wang, W. L., & Tang, M. H. (2015). A Normalization process to standardize handwriting data collected from multiple resources for recognition. Procedia Computer Science, 61(1),402-409.
Eberhart, R., & Kennedy, J. (1995). A new optimizer using particle swarm theory. In Micro Machine and Human Science, 1995. MHS'95., Proceedings of the Sixth International Symposium on (pp. 39-43). IEEE.
Edla, D. R., &Cheruku, R. (2017). Diabetes-finder: a bat optimized classification system for type-2 diabetes. Procedia Computer Science, 115, 235-242.
Geethanjali, M., Mary Raja Slochanal, S., & Bhavani, R. (2008). PSO trained ANN-based differential protection scheme for power transformers. Neurocomputing,71(4-5), 904-918.
Jain, S., Shukla, S., &Wadhvani, R. (2018). Dynamic selection of normalization techniques using data complexity measures. Expert Systems with Applications, 106(1), 252-262.
Jaroenrat, K. (2015). Particle Swarm Optimization for Open Shortest Path First Network’s Traffic Engineering. Information Technology Journal, 11(1), 43-52.
Karan, O., Bayraktar, C., Gümüskaya, H., &Karlık, B. (2012). Diagnosing diabetes using neural networks onsmall mobile devices. Expert Systems with Applications, 39(1), 54-60.
Ministry of Public Health. (2016) Department of Mental Health. [Online]. https://www.dmh.go.th/news-dmh/view.asp?id=25634
Mohammadi, N., &Mirabedini, S. J. (2014). Comparison of particle swarmoptimization and backpropagation algorithms for training feedforwardneural network. Journal of Mathematicsand Computer Science, 12(1), 113-123.
Nai-aruna, N., &Moungmaia, R. (2015). Comparison of classifiers for the risk of diabetesprediction. Procedia Computer Science, 69(1), 132-142.
Sahu, B., & Mishra, D. (2012). A Novel feature selection algorithm using particle swarm optimization for cancer microarray data. Procedia Engineering,38(1), 27-31.
Smyth, G. K., & Speed, T. (2003). Normalization of cDNA microarray data. Methods, 31(4), 265-273.
Sumathi, B.,&Santhakumaran, A. (2011). Pre-diagnosis of hypertension using artificialneuralnetwork. Journal of Computer Science and Technology, 11(2), 42-48.
Wang, W. L., & Tang, M. H. (2015). A Normalization process to standardize handwriting data collected from multiple resources for recognition. Procedia Computer Science, 61(1),402-409.
