fa یک سیستم هوشمند پزشکیار مبتنی بر شبکه عصبی مصنوعی در تشخیص بیماری دیابت تخصصي Special پژوهشي Research <strong><span style="font-family:b lotus;"><span style="font-size:12.0pt;">مقدمه: </span></span></strong><span style="font-family:b lotus;"><span style="font-size:12.0pt;">تشخیص زودهنگام بیماری دیابت به‌منظور جلوگیری از عوارض و آسیب‌های ناشی از این بیماری امری حیاتی است. هدف از این مقاله طراحی یک سیستم هوشمند در دسته‌بندی افراد مبتلا به دیابت، با روش رگرسیون مبتنی بر شبکه عصبی پرسپترون چندلایه است.</span></span><br> <strong><span style="font-family:b lotus;"><span style="font-size:12.0pt;">روش‌ها: </span></span></strong><span style="font-family:b lotus;"><span style="font-size:12.0pt;">در این مطالعه‌ی توصیفی- تحلیلی یک سیستم هوشمند برای دسته‌بندی افراد به دو دسته سالم و مبتلا به بیماری دیابت طراحی‌شده است. سیستم طراحی‌شده با استفاده از نرم‌افزار </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">MATLAB</span></span></span><span style="font-family:b lotus;"><span style="font-size:12.0pt;"> نسخه‌ی 2015 (197613/0/5/8) شبیه‌سازی‌شده است. مجموعه داده مورد استفاده در این پژوهش، مجموعه داده معیار </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">PID</span></span></span><span style="font-family:b lotus;"><span style="font-size:12.0pt;"> موجود در مخزن داده یادگیری ماشین دانشگاه ایروین کالیفرنیا است. این مجموعه داده شامل 768 رکورد از زنان هندی و 8 فاکتور تشخیصی برای بیماری دیابت است.</span></span><br> <strong><span style="font-family:b lotus;"><span style="font-size:12.0pt;">یافته‌ها: </span></span></strong><span style="font-family:b lotus;"><span style="font-size:12.0pt;">داده‌های این مجموعه پس از پیش‌پردازش</span></span> <span style="font-family:b lotus;"><span style="font-size:12.0pt;">به‌صورت تصادفی به 20 دسته</span></span> <span style="font-family:b lotus;"><span style="font-size:12.0pt;">از کل مجموعه داده</span></span> <span style="font-family:b lotus;"><span style="font-size:12.0pt;">تقسیم شدند که شامل داده‌های آموزش و آزمون متفاوت بودند. در هر دسته داده از 90 درصد داده‌ها برای مرحله‌ی آموزش و 10 درصد باقی‌مانده برای مرحله‌ی آزمون استفاده شد. نتایج حاصل در بهترین حالت براساس شاخص‌های حساسیت، اختصاصیت، صحت و دقت در دسته‌بندی افراد، به‌ترتیب معادل اعداد 4815/0، 9804/0، 8077/0، 9286/0 به‌دست آمد.</span></span><br> <strong><span style="font-family:b lotus;"><span style="font-size:12.0pt;">نتیجه‌گیری: </span></span></strong><span style="font-family:b lotus;"><span style="font-size:12.0pt;">نتایج به‌دست‌آمده برتری سیستم هوشمند طراحی‌شده در دسته‌بندی افراد به دو دسته سالم و بیمار را نسبت به سایر روش‌های پیاده‌سازی شده بر این مجموعه داده تأئید می‌کند. استفاده از شبکه عصبی پرسپترون چندلایه برای تقریب تابع، موجب افزایش دقت سیستم پیشنهادی شده است.</span></span> <strong>Backgrounds</strong>: Early detection of diabetes is critical to avoid complications and damage caused by this disease. The purpose of this paper is designing an intelligent system for Diabetes prediction (healthy or patient) by using regression method based on Multilayer Perceptron Neural Network.<br> <strong>Methods</strong>: In this descriptive-analytic study, an intelligent system is designed to classification diabetes patients. The system is simulated by MATLAB software 2015 (8.5.0.197613). In this study, used PID dataset in UCI Machine Learning Repository. The dataset is contained 768 records from Indian women and 8 diagnostic factors for Diabetes.<br> <strong>Results</strong>: The data were then divided randomly in 20 groups for training and testing, after preprocessing. 90% of the data is used for training phase and 10% for the test phase<span dir="RTL">.</span> The results obtained based on sensitivity, specificity, accuracy and precision were 0.4815, 0.9804, 0.8077 and 0.9286, respectively.<br> <strong>Conclusion</strong>: The obtained results, showed superiority of designed intelligent system to classify individuals (healthy and patient) in comparison with other methods implemented on this dataset. Using MLP- Regression has increased the accuracy of the proposed system.<br> &nbsp; بیماری دیابت, رگرسیون, شبکه عصبی پرسپترون چندلایه, مجموعه داده PID Diabetes, Regression, Multilayer Perceptron Neural Network, PID dataset 71 79 http://ijdld.tums.ac.ir/browse.php?a_code=A-10-792-1&slc_lang=fa&sid=1 Asieh Khosravanian آسیه خسروانیان a.khosravanian@semnan.ac.ir No Faculty of Electrical and Computer Engineering, Semnan University, Semnan, Iran گروه علمی مهندسی کامپیوتر، دانشکده‌ی مهندسی برق و کامپیوتردانشگاه سمنان، سمنان، ایران Saeed Ayat سعید آیت dr.ayat@pnu.ac.ir Yes Department of Computer Engineering and Information Technology, Payame Noor University, Iran گروه علمی مهندسی کامپیوتر و فناوری اطلاعات، دانشکدهی مهندسی کامپیوتر، دانشگاه پیام نور ، ایران