پديد آورندگان :
دهقاندار، محمد دانشگاه پيام نور تهران - گروه رياضي كاربردي , حسني بافراني، عاطفه دانشگاه پيام نور تهران - گروه رياضي كاربردي , دادخواه، محمود دانشگاه پيام نور تهران - گروه رياضي كاربردي , قرباني، مصطفي دانشگاه علوم پزشكي البرز كرج , كليشادي، رويا دانشگاه علوم پزشكي اصفهان
كليدواژه :
شبكه عصبي مصنوعي , فشارخون سيستوليك , فشارخون دياستوليك , چاقي
چكيده فارسي :
چاقي و فشار خون بالا از مشكلات سلامتي جامعه مي باشد هدف اين مطالعه تشخيص چاقي و فشار خون بالا در دانش آموزان اصفهاني توسط شبكه عصبي مصنوعي است.
روش
تحقيق حاضر يك مطالعه تشخيصي و پيش بيني كننده است كه با استفاده از اطلاعات 460 نفر از دانش آموزان 18-7 ساله اصفهاني شبكه عصبي كه شامل 11 متغير ورودي (سن، جنسيت، وزن، قد، دور كمر، شاخص توده بدني، نسبت دوركمر به قد، چاقي شكمي، فعاليت فيزيكي، ژنتيك و رفتارهاي تغذيه اي ناسالم) و سه متغير خروجي چاقي، فشارخون سيستوليك، فشارخون دياستوليك، طراحي شد. از دو الگوريتم گراديان مزدوج و لونبرگ-ماركوارت براي آموزش شبكه استفاده گرديد.
نتايج
شبكه عصبي منتخب با الگوريتم لونبرگ در تشخيص چاقي و فشار خون دياستوليك بالا داراي 16 نرون مخفي و در تشخيص فشار خون سيستوليك بالا داراي 14 نرون مخفي مي باشد. ميزان حساسيت، ويژگي و صحت شبكه در تشخيص چاقي به ترتيب 0/9591، 0/9975، 0/9934 به دست آمد و براي فشار خون سيستوليك بالا به ترتيب 0/8461، 0/9949، 0/9739 و براي فشارخون دياستوليك بالا به ترتيب اعداد 0/7952، 0/9973، 0/9609 مي باشد. ملاحظه شد كه شبكه طراحي شده با دقت بالاي 95 درصد چاقي را در كودكان و نوجوانان و با دقت بالاي 84 و 79 درصد به ترتيب فشارخون سيستوليك و دياستوليك بالا را تشخيص مي دهد.
نتيجه گيري:
طبق نتايج حاصل شده حدود 83 درصد از نوجوانان چاق داراي فشارخون بالا هستند؛ لذا ضرورت طراحي برنامه هاي آموزشي در زمينه تغييرات رفتاري از جمله فعاليت فيزيكي همراه با مداخله در برنامه ريزي تغذيه دانش آموزان احساس مي شود.
چكيده لاتين :
Obesity and hypertension are community health problems. The objective of this study was to diagnose obesity and hypertension in Isfahani students by artificial neural network.
Method
The present study was a diagnostic and predictive one that used the information of 460 students aged 7-18 years old in Isfahan to design a neural network with 11 input variables (age, sex, weight, height, waist circumference, body mass index, waist to height ratio, abdominal obesity, physical activity, genetics, and unhealthy eating behaviors) and three output variables of obesity, systolic blood pressure, and diastolic blood pressure. Conjugate Gradient and Levenberg-Marquardt algorithms were used for network training.
Results
Selected neural network with the Levenberg algorithm has 16 hidden neurons in the diagnosis of obesity and high diastolic blood pressure and 14 hidden neurons in the diagnosis of high systolic blood pressure. The sensitivity, specificity, and accuracy of the network in the diagnosis of obesity were 0.9591, 0.9975, and 0.9934, respectively, and these values were 0.8461, 0.9949, and 0.9739 for high systolic blood pressure and 0.7952, 0.9973, and 0.9609 for high diastolic blood pressure. It was observed that the designed network detects obesity in children and adolescents with a high accuracy of 95% and diagnoses systolic and diastolic blood pressures with a high accuracy of 84% and 79%, respectively.
Conclusion
According to the results, about 83% of obese adolescents have hypertension. Therefore, there it is necessary to design educational programs in the field of behavioral changes, including physical activity along with interventions in nutrition planning for students.
