بهينه سازي مدل شبكه عصبي RBF و روش ماشين بردار پشتيبان در تشخيص اختلال وسواس

انتخاب روش مناسب براي مدل¬سازي و تحليل داده‌هاي پزشكي، بسيار مهم و در مواردي بسيار حساس است. تحقيق حاضر با توجه به كاربرد شبكه عصبي مصنوعي در تشخيص بيماري، به گوشه¬اي ديگر از قدرت¬هاي شبكه عصبي مصنوعي پرداخته است. با توجه به شيوع اختلال وسواس تشخيص اين اختلال به كمك دو مدل ماشين بردار پشتيبان و شبكه عصبي RBF انجام شده است. عمليات تشخيص اين اختلال با دسترس بودن اطلاعات اخذ شده از بررسي پرونده‌هاي موجود در مراكز روانپزشكي، مصاحبه با روانپزشكان و افراد بيمار و توزيع پرسشنامه مادزلي در ميان 621 فرد بيمار و سالم جمع آوري شده است. ورودي‌هاي شبكه يا به عبارتي پارامترهاي مؤثر اين بيماري در چارچوب 33 پارامتر جمع آوري شده‌اند. نتايج نشان مي¬دهد كه با استفاده از 80 درصد داده¬ها جهت آموزش شبكه، مدل RBF داراي خطاي بسيار كمتري نسبت به روش SVM مي¬باشد، به طوريكه با تغيير در پارامتر ضريب گسترش، اين شبكه توانست خطاي تشخيص را به كمتر از %1 برساند كه به عنوان يك تشخيص اوليه مناسبي مي¬باشد.