SavedAdd your journal

Journals / Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2015 / Cilt: 6 - Sayı: 2

Kronik Böbrek Hastalarının Yapay Sinir Ağı ve Radyal Temelli Fonksiyon Ağı ile Teşhisi

Muhammer İLKUÇAR
Pages
82–88
Publication Date
2015-12-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

YSA ile RBFN karşılaştırıldığında ise RBFN daha iyi bir performans göstermiştir.Anahtar Kelimeler: Kronik böbrek hastalığı, sınıflandırma, teşhis, RBFN, YSA

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Teknolojideki gelişmelerin tıp alanına uygulanması ile sağlık çalışanlarına ve hastalara büyük kolaylıklar sağlamıştır.
📊
Key Findings & Data:Bunun için 400 hastanın laboratuvar sonuçlarından elde edilen 24 niteliğe sahip veriler geri yayılımlı yapay sinir ağı (YSA) ve radyal temelli fonksiyon ağı (RBFN) ile sınıflandırılarak karşılaştırılmıştır.
💡
Conclusion & Impact:YSA ile RBFN karşılaştırıldığında ise RBFN daha iyi bir performans göstermiştir.Anahtar Kelimeler: Kronik böbrek hastalığı, sınıflandırma, teşhis, RBFN, YSA
🔬Design:Experimental Field Trial
📍Scope:400 hasta
⚙️Variables:Kronik böbrek hastalığı · sınıflandırma · teşhis

Özet

Teknolojideki gelişmelerin tıp alanına uygulanması ile sağlık çalışanlarına ve hastalara büyük kolaylıklar sağlamıştır. Sağlık birimlerinde hastaya ait kişisel bilgilerin yanında laboratuvar sonuçları, tanı, teşhis tedavi gibi bilgiler de elektronik olarak kaydedilmektedir. Bu veriler, modern tekniklerle analiz edilerek, hekim ve yöneticilerin hizmetine sunulmalıdır. Yapılan çalışmada, hastaların laboratuvar sonuçları ve kişisel bilgilerine göre kronik böbrek hastası olup olmadığı tespiti yapılmıştır. Bunun için 400 hastanın laboratuvar sonuçlarından elde edilen 24 niteliğe sahip veriler geri yayılımlı yapay sinir ağı (YSA) ve radyal temelli fonksiyon ağı (RBFN) ile sınıflandırılarak karşılaştırılmıştır. Sınıflandırma sonucunda YSA ve RBFN performans değerleri sırasıyla 0,0172 ve 1.47585e-27 elde edilmiştir. YSA ile RBFN karşılaştırıldığında ise RBFN daha iyi bir performans göstermiştir.Anahtar Kelimeler: Kronik böbrek hastalığı, sınıflandırma, teşhis, RBFN, YSA

🔖

Cite This Article

İLKUÇAR, M. (2015). Kronik Böbrek Hastalarının Yapay Sinir Ağı ve Radyal Temelli Fonksiyon Ağı ile Teşhisi. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 6 - Sayı: 2, 82–88. https://ajindex.com/articles/790337

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (9)

  1. Ababaei, B., Sohrabi, T., Mirzaei, F. (2012). Assessment of radial basis and generalized regression neural networks in Daily reservoir inflow simulation. Elixir Comp. Sci. & Engg. 42: 6074-6077.
  2. Abhishek, B., Thakur, G.S.M., Gupta, D. (2012). Proposing Efficient Neural Network Training Model for Kidney Stone Diagnosis. (IJCSIT) International Journal of Computer Science and Information Technologies, 3 (3):3900-3904.
  3. Afif, M.H., Hedar, A-R., Hamid, T.H.A., Mahdy, Y.B. (2013). SS-SVM (3SVM): A New Classification Method for Hepatitis Disease Diagnosis. (IJACSA) International Journal of Advanced Computer Science and Applications, 4(2):53-58.
  4. Anthony, M., Bartlett, P.L. (2009). Neural Network Learning: Theoretical Foundation. Cambridge University Press.
  5. Arisariyawong, S. A., Charoenseang, S. (2002). Dynamic self-organized learning for optimizing the complexity growth of radial basis function neural networks. Industrial Technology. IEEE ICIT'02. IEEE International Conference. Delican, Y., Özyilmaz, L., Yıldırım, T. (2011). Evolutionary Algorithms Based RBF Neural Networks For Parkinson s Disease Diagnosis. ELECO 2011 7th International Conference on Electrical and Electronics Engineering, 1-4
  6. December, Bursa, TURKEY. Graupe, D. (2013). Principles of Artificial Neural Networks: 3rd Edition (Advanced Series in Circuits & Systems) (Advanced Series in Circuits and Systems). World Scientific Publishing Company; 3rd edition edition. İlkuçar, M., Işık, A.H., Çifci, A. (2014). Classification of Breast Cancer Data with Harmony Search and Back Propagation Based Artificial Neural Network. IEEE, 2014 22 nd Signal Processing and Communications Applications Conference (SIU), 23-25 April 2014.
  7. Jang, J-S.R., Sun, C.-T., Mizutani, E.,(1997), Neuro-Fuzzy and Soft Computing: A Computational Approach to Learningand Machine Intelligence. Prentice Hall; 1 edition (September 26, 1997), ISBN-13: 978-0132610667
  8. Kumar, K., Abhishek, B. (2012). Artificial Neural Networks for Diagnosis of Kidney Stones Disease. I.J. Information Technology and Computer Science, 2012, 7, 20-25 Published Online July 2012 in MECS (http://www.mecspress.org/) DOI: 10.5815/ijitcs.2012.07.03 Levey, A.S., Eckardt, K.U., Tsukamoto, Y, Levin, A., Coresh, J., Rossert, J., de Zeeuw, D., Hostetter, T.H. Lameire, N., Eknoyan, G. (2005). Definition and classification of chronic kidney disease: A position statement from Kidney Disease: Improving Global Outcomes (KDIGO). Kidney International, 67: 2089–2100.
  9. Moradkhani, H.,