KaydedilenlerDerginizi ekleyin

Dergiler / Türk Doğa ve Fen Dergisi / 2021 / Cilt: 10 - Sayı: 1

LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini

Mehmet Bilal ER
İbrahim IŞIK
Sayfa
68–74
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

En yüksek sınıflandırma başarısı %86,45 olarak ESA+LSTM modelinden elde edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Diyabet, vücudun yeterli miktarda insülini üretmemesi veya iyi kullanamadığı durumda kan şekerinin normalin üstüne çıkması ile ortaya çıkan bir hastalıktır.
📊
Temel Bulgular & Veri:Önerilen modelin performansını değerlendirmek için literatürde yaygın olarak kullanılan Pima Indians Diabetes veri seti kullanılmıştır.
💡
Sonuç & Katkı:En yüksek sınıflandırma başarısı %86,45 olarak ESA+LSTM modelinden elde edilmiştir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:LSTM · Diyabet tahmini · Evrişimsel Sinir Ağ

Özet

Diyabet, vücudun yeterli miktarda insülini üretmemesi veya iyi kullanamadığı durumda kan şekerinin normalin üstüne çıkması ile ortaya çıkan bir hastalıktır. Kan şekeri insanların ana enerji kaynağıdır ve bu enerji tüketilen yiyeceklerden gıdalardan gelir. Bu hastalık tedavi edilmez ise ölümcül olabilir. Ancak, erken tanı konulup tedaviye başlandığında tedavisi en olanaklı hastalıklardan biridir. Geleneksel diyabet teşhis süreci zorlu olduğundan, diyabetin klinik ve fiziksel verileri kullanılarak yapay sinir ağı, görüntü işleme ve derin öğrenme gibi sistemler kullanılarak hastalık teşhis edilebilmektedir. Bu araştırmada diyabet teşhisi için derin öğrenmeye dayalı bir model sunulmaktadır. Bu bağlamda Evrişimsel Sinir Ağı (ESA), Uzun Kısa Süreli Bellek (Long-short Term Memory Networks- LSTM) modelinin hibrit kullanımı sınıflandırma için tercih edilmiştir. Ayrıca ESA ve LSTM modelleri deneylerde ayrı ayrı kullanılmıştır. Önerilen modelin performansını değerlendirmek için literatürde yaygın olarak kullanılan Pima Indians Diabetes veri seti kullanılmıştır. En yüksek sınıflandırma başarısı %86,45 olarak ESA+LSTM modelinden elde edilmiştir.

🔖

Bu Makaleye Atıf Yap

ER, M. B., IŞIK, İ. (2021). LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. Türk Doğa ve Fen Dergisi, Cilt: 10 - Sayı: 1, 68–74. https://ajindex.com/articles/409108

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. H. Naz and S. Ahuja, “Deep learning approach for diabetes prediction using PIMA Indian dataset,” J. Diabetes Metab. Disord., vol. 19, no. 1, pp. 391–403, Apr. 2020, doi: 10.1007/s40200-020-00520-5
  2. F. Allam, Z. Nossai, H. Gomma, I. Ibrahim, and M. Abdelsalam, “A Recurrent Neural Network Approach for Predicting Glucose Concentration in Type-1 Diabetic Patients BT - Engineering Applications of Neural Networks,” 2011, pp. 254–259
  3. A. Ramachandran, “Know the signs and symptoms of diabetes,” Indian J. Med. Res., vol. 140, pp. 579–581, Nov. 2014
  4. S. Palaniappan and R. Awang, “Intelligent heart disease prediction system using data mining techniques,” 2008 IEEE/ACS International Conference on Computer Systems and Applications. IEEE, 2008, doi: 10.1109/aiccsa.2008.4493524
  5. A. K. Dwivedi, “Analysis of computational intelligence techniques for diabetes mellitus prediction,” Neural Comput. Appl., vol. 30, no. 12, pp. 3837–3845, 2017, doi: 10.1007/s00521-017-2969-9
  6. M. Heydari, M. Teimouri, Z. Heshmati, and S. M. Alavinia, “Comparison of various classification algorithms in the diagnosis of type 2 diabetes in Iran,” Int. J. Diabetes Dev. Ctries., vol. 36, no. 2, pp. 167–173, 2015, doi: 10.1007/s13410-015-0374-4
  7. S. G., V. R., and S. K.P., “Diabetes detection using deep learning algorithms,” ICT Express, vol. 4, no. 4, pp. 243–246, 2018, doi: 10.1016/j.icte.2018.10.005
  8. N. Barakat, A. P. Bradley, and M. N. H. Barakat, “Intelligible Support Vector Machines for Diagnosis of Diabetes Mellitus,” IEEE Trans. Inf. Technol. Biomed., vol. 14, no. 4, pp. 1114–1120, 2010, doi: 10.1109/titb.2009.2039485
  9. N. Yuvaraj and K. R. SriPreethaa, “Diabetes prediction in healthcare systems using machine learning algorithms on Hadoop cluster,” Cluster Comput., vol. 22, no. S1, pp. 1–9, 2017, doi: 10.1007/s10586-017-1532-x
  10. H. Wu, S. Yang, Z. Huang, J. He, and X. Wang, “Type 2 diabetes mellitus prediction model based on data mining,” Informatics Med. Unlocked, vol. 10, pp. 100–107, 2018, doi: 10.1016/j.imu.2017.12.006
  11. M. Rahman, D. Islam, R. J. Mukti, and I. Saha, “A deep learning approach based on convolutional LSTM for detecting diabetes,” Comput. Biol. Chem., vol. 88, p. 107329, 2020, doi: 10.1016/j.compbiolchem.2020.107329
  12. A. Massaro, V. Maritati, D. Giannone, D. Convertini, and A. Galiano, “LSTM DSS Automatism and Dataset Optimization for Diabetes Prediction,” Appl. Sci., vol. 9, no. 17, p. 3532, 2019, doi: 10.3390/app9173532