Iranian Journal of Epidemiology
مجله اپیدمیولوژی ایران
irje
Medical Sciences
http://irje.tums.ac.ir
1
admin
1735-7489
2228-7507
000
000
000
000
000
fa
jalali
1397
6
1
gregorian
2018
9
1
14
2
online
1
fulltext
fa
پیشبینی تعداد موارد بروسلوز براساس پارامترهای اقلیمی با استفاده از روشهای داده کاوی شبکههای عصبی مصنوعی پرسپترون چند لایه، تابع پایه شعاعی و نزدیکترین همسایگی
Predicting the Frequency of Human Brucellosis using Climatic Indices by Three Data Mining Techniques of Radial Basis Function, Multilayer Perceptron and Nearest Neighbor: A Comparative Study
عمومى
General
پژوهشي
Research
<br>
مقدمه و اهداف: شناسایی مدل‏های آماری دارای پیش‏بینی‏های دقیق در تعیین دقیق و بههنگام طغیان بیماری‏های عفونی در نظام مراقبت بهداشتی این بیماری‏ها بسیار با اهمیت است. این مطالعه با هدف ارزیابی و مقایسه عملکرد سه روش یادگیری ماشین در مدل‏سازی و پیش‏بینی سری زمانی بروسلوز بر اساس پارامترهای اقلیمی انجام شد.<br>
روش کار: در این مطالعه موارد بروسلوز انسانی و پارامترهای اقلیمی بهصورت ماهانه، در طول 12 سال (95-1383) از استان همدان واقع در غرب ایران تحلیل شد. داده‏ها به دو زیرمجموعه آموزش (80 درصد) و آزمون (20 درصد) تقسیم شد. روش‏های تابع پایه شعاعی و چند لایه پروسپترون و نزدیکترین همسایه سری زمانی به هر زیرمجموعه برازش شد. ارزیابی عملکرد مدل‏ها با استفاده از معیارهای RMSE، MAE، MRAE، R2 و ICC انجام شد.<br>
یافتهها: نتایج نشان داد که مقادیر معیارهای (79/23)RMSE، (56/20)MAE، (25/0)MRAE برای مدل شبکه عصبی چند لایه پرسپترون کوچکتر از مقادیر آن‏ها در دو مدل دیگر بود. همچنین، در این مدل مقادیر بزرگتری برای معیارهای (61/0)R2 و (75/0)ICC بهدست آمد. بنابراین مدل شبکهی عصبی چند لایه پرسپترون در پیش‏بینی داده‏های مورد مطالعه عملکرد بهتری داشت. دما نسبت به سایر پارامترهای اقلیمی مؤثرترین عامل در بروز این بیماری بود.<br>
نتیجهگیری: شبکه عصبی چندلایه پرسترون می‏تواند بهعنوان یک روش کارا برای تشخیص رفتار روند بروسلوز در طول زمان به کار رود. با این حال مطالعات بیشتری با هدف کاربرد و مقایسه این‏ روش‏ها برای شناسایی مناسب‏ترین روش پیش‏بینی روند این بیماری مورد نیاز است.
Background and Objectives: Identification of statistical models has a great impact on early and accurate detection of outbreaks of infectious diseases and timely warning in health surveillance. This study evaluated and compared the performance of the three data mining techniques in time series prediction of brucellosis.<br>
<br>
Methods: In this time series, the data of the human brucellosis cases and climatology parameters of Hamadan, west of Iran, were analyzed on a monthly basis from 2004 (March/April) to 2017 (February/March). The data were split into two subsets of train (80%) and test (20%). Three techniques, i.e. radial basis function (RBF) and multilayer perceptron (MLP) artificial neural network methods as well as K Nearest neighbor (KNN), were used in both subsets. The root mean square errors (RMSE), mean absolute errors (MAE), mean absolute relative errors (MARE), determination coefficient (R2) and intra-class correlation coefficient (ICC) were used for performance comparison.<br>
<br>
Results: Results indicated that RMSE (23.79), MAE (20.65) and MARE (0.25) for MLP were smaller compared to the values of the other two models. The ICC (0.75) and R2 (0.61) values were also better for this model. Thus, the MLP model outperformed the other models in predicting the used data. The most important climatology variable was temperature.<br>
<br>
Conclusion: MLP can be effectively applied to diagnose the behavior of brucellosis over time. Further research is necessary to detect the most suitable method for predicting the trend of this disease.<br>
بروسلوز انسانی, شبکه عصبی مصنوعی, نزدیکترین همسایه, پیشبینی
Human Brucellosis, Artificial neural networks, Nearest neighbor, Prediction
153
165
http://irje.tums.ac.ir/browse.php?a_code=A-10-936-2&slc_lang=fa&sid=1
L
Tapak
لیلی
تاپاک