بررسي تشخيص بيماري ديابت بر اساس اطلاعات مستخرج از سيگنال ECG با استفاده از شبكه‌هاي عصبي مصنوع

Diagnosis diabetes on the basis of information extracted from the ECG signal using artificial neural networks

زمينه و هدف: بيماري ديابت يكي از شايع‌ترين بيماري‌هاي دنيا شناخته‌ شده است. يكي از مشكلات اساسي مربوط به اين بيماري عدم ‌تشخيص به‌موقع و صحيح آن مي‌باشد. هدف اين پژوهش ارائه روش جديدي براي تشخيص بيماري ديابت است و قصد دارد براي اولين بار ارتباط تصاوير ECG با تشخيص بيماري ديابت به كمك شبكه عصبي مصنوعي و الگوريتم‌هاي داده‌ كاوي را بررسي كند. روش بررسي: در اين مطالعه 8 بيمار ديابتي و 64 فرد سالم حضور داشتند. الكتروكارديوگرافي براي تمام افراد انجام گرفت. اطلاعات مورد نياز از تصاوير ECG شامل: نام بيمار، سن، HR، p، t، RR، PP، P، PR، qt،qtcb استخراج و در پايگاه داده جمع‌آوري شد. براي طبقه‌بندي بيماران از شبكه‌هاي عصبي احتمالي و الگوريتم‌هاي استاندارد داده ‌كاوي استفاده ‌شده است. داده‌ها از طريق الگوريتم‌هاي داده ‌كاوي و روش‌هاي متفاوت كلاس‌بندي مورد بررسي و ارزيابي قرار گرفتند و نتايج هر يك با توجه به نرخ صحيح مقايسه شدند. از نرم‌افزار weka براي رده‌بندي‌ها استفاده ‌شده است. يافته‌ها: دقت شناسايي الگوريتم‌هاي مبتني بر قوانين و شبكه عصبي، نسبت به الگوريتم‌هاي درخت تصميم و الگوريتم‌هاي مبتني بر فاصله بالاتر و نتايج بهتري در تشخيص بيماري ديابت نشان دادند. بهترين نرخ شايستگي در الگوريتم Consistency Subset Eval با ميزان 0/89 بود و موج QRS به‌ عنوان بهترين انتخاب در همه الگوريتم‌ها گزارش مي‌شود. ارزيابي داده‌هاي افراد ديابتي و غير ديابتي با استفاده از الگوريتم شبكه‌هاي عصبي احتمالي نرخ صحيحي 95% را نشان داد. همچنين الگوريتم KNN كمترين پيچيدگي زماني را نشان داد. نتيجه‌گيري: مدل مبتني بر قوانين دقت بالاتري نسبت به كليه الگوريتم‌هاي طبقه‌بندي داده‌ كاوي مورد استفاده در پژوهش نشان داد.

Background and aims: Diabetes is known to be one of the most common diseases worldwide. Lack of an early and appropriate diagnosis is considered to be a main problem associated with diabetes. The aim of this study was to offer a novel approach to diagnose diabetes and, for the first time, investigates the correlation between ECG and diagnosis of diabetes using artificial neural network and data analysis algorithms. Methods: In this study, 8 patients with diabetes and 64 healthy subjects were enrolled. ECG was conducted on all the participants. The necessary data including age, HR, p, t, RR, PP, P, PR, qt, and qtcb were drawn from ECG and collected in database. To classify the patients, tentative neural networks and standard algorithms were used. The data were analyzed using data analysis algorithms and different approaches, and the results of each investigation were compared with reference to appropriate rate. Weka software was used for ranking. Results: The accuracy of detection of regulations-based algorithms and neural network, with better results in diabetes diagnosis, was higher than that of decision tree and interval-based algorithms. The best qualification rate (0.89) was obtained for ConsistencySubset Eval and QRS wave was reported the best choice in all algorithms. Investigating the data on people with and without diabetes using tentative neural networks showed an appropriate rate of 95%. Furthermore, KNN algorithm displayed the lowest time complexity. Conclusion: Regulations-based model displayed the highest accuracy compared with all classification algorithms for data analysis used in the study.