به كارگيري الگوريتم خوشه‌بندي C- ميانگين فازي در تشخيص ميزان اضطراب

Using Fuzzy C-means Clustering Algorithm to Diagnose the Severity of Anxiety

مقدمه: يكي از مهم‌ترين گام‌ها در پيشگيري و كنترل اختلالات اضطرابي، تشخيص آن‌ها در مراحل اوليه توسط روان‌پزشك است. هدف از انجام پژوهش حاضر، ارايه روشي جهت تشخيص شدت اضطراب با استفاده از الگوريتم خوشه‌بندي C- ميانگين فازي بود. همچنين، تأثير هر مشخصه در سنجش اضطراب و خوشه‌بندي مراجعه‌كنندگان تعيين گرديد. روش بررسي: اين مطالعه از نوع توصيفي بود. مجموعه داده‌هاي مرتبط به پرونده 300 نفر از مراجعه‌كنندگان به سه كلينيك روان‌پزشكي در شهر تهران، بر اساس پرسش‌نامه آزمون BAI (Beck Anxiety Inventory) تهيه شد. سپس الگوريتم خوشه‌بندي C- ميانگين فازي، به بخش‌بندي مراجعه‌كنندگان و تعيين ميزان اضطراب آن‌ها در هر خوشه پرداخت. اين الگوريتم به طور مجزا بر روي هر مشخصه نيز اعمال گرديد. يافته‌ها: مراجعه‌كنندگان به كلينيك روان‌پزشكي به چهار خوشه با برچسب‌هاي «فاقد اضطراب، اضطراب خفيف، اضطراب متوسط و اضطراب شديد» تقسيم‌ شدند. الگوريتم خوشه‌بندي C- ميانگين فازي با دقت 90/66 درصد، به تشخيص اضطراب مراجعه‌كنندگان پرداخت. با اجراي اين الگوريتم بر روي هر مشخصه، تأثير مشخصه‌ها در سنجش اضطراب و خوشه‌بندي مراجعه‌كنندگان نيز تعيين شد. نتيجه‌گيري: الگوريتم خوشه‌بندي C- ميانگين فازي، شدت اضطراب مراجعه‌كنندگان را با دقت بالايي تشخيص مي‌دهد. بخش‌بندي بيماران با رويكرد خوشه‌بندي و بر اساس مهم‌ترين مشخصه‌ها، مي‌تواند ابزار مفيدي جهت تصميم‌گيري روان‌پزشك در تشخيص شدت اضطراب در مراحل اوليه آن باشد.

Introduction: Diagnosing anxiety in the early stages by psychiatrists is one of the important steps in preventing and controlling these types of disorders. This study endeavors to present a method to diagnose the severity of anxiety using fuzzy C-means clustering (FCM) algorithm. Moreover, the influence of each feature on measuring anxiety and clustering of clients is determined. Methods: This was a quantitative and descriptive study with a dataset including 300 clients related to three psychiatric clinics in Tehran, Iran provided based on the Beck Anxiety Inventory (BAI). Then, the FCM algorithm was utilized to segment the clients and determine the severity of their anxiety in each cluster. Additionally, this algorithm was employed for each feature separately. Results: The psychiatric clinics' clients were divided into four clusters with the labels including no, minimal, moderate, and severe anxiety. Using the FCM algorithm, the anxiety of the clients was diagnosed with 90.66% accuracy. Moreover, as a result of implementing the algorithm on each feature, the influence of the features on measuring anxiety and clustering of clients was determined. Conclusion: The FCM algorithm diagnosed the anxiety of clients with a high accuracy. Segmenting patients by the clustering approach and based on the important features can be a dependable instrument for psychiatrists to make a decision in diagnosing the severity of anxiety in the early stages.