UN MODÈLE DE PRÉDICTION DES MALADIES UTILISANT L'OPTIMISATION DE LA RECHERCHE D'HYÈNES TACHÉES ET BI-LSTM
DOI :
https://doi.org/10.59277/RRST-EE.2023.68.1.20Mots-clés :
Apprentissage automatique, L'apprentissage en profondeur, Optimisation, Algorithme d'optimisation de l'hyène tachetée, Algorithme d'optimisation de la recherche coucou, Mémoire à court terme bidirectionnelle, Prédiction, classification et temporelle floueRésumé
La prédiction précoce des maladies est la meilleure solution pour toute maladie mortelle dans ce monde Internet rapide. Dans cette direction, les techniques d'apprentissage automatique et d'apprentissage en profondeur sont appliquées dans ce monde rapide pour prédire les maladies tôt et mettre à jour le niveau de la maladie grâce aux techniques de l'Internet des objets. À cette fin, cet article propose un système de prédiction des maladies qui utilise le classificateur conscient de corrélation temporelle floue nouvellement proposé et la mémoire à long court terme bidirectionnelle auto-encodée (FTC-Bi-LSTM) pour prédire les maladies telles que le cœur, le cancer et diabète. De plus, cet article propose un algorithme d'optimisation hybride appelé hyène tachetée et algorithme d'optimisation de la recherche de coucou (SHCSA) pour sélectionner les caractéristiques contribuées utilisées pour enrichir la précision de la prédiction. L'ensemble de données standard du référentiel UCI de référence est utilisé pour mener les différentes expériences et obtenir de meilleures performances en termes de précision, de rappel, de mesure f et de précision de prédiction. Le résultat est validé en considérant les données des patients hospitalisés comme données d'entrée et en prouvant la performance.
Références
(1) R. Joshi, M. Alehegn, Analysis and prediction of diabetes diseases using machine learning algorithm: Ensemble approach, Int. Res. J Engg. Tech., 4, 10, pp. 426–435 (2017).
(2) N.J.F. Ndisang, A. Vannacci, S. Rastogi, Insulin Resistance, Type 1 and Type 2 Diabetes, and Related Complications, J Diab. Res., 2017, id:1478294 (2017).
(3) H.P. Himsworth and R. B. Kerr, Insulin-sensitive and Insulin-insensitive types of diabetes mellitus, Clinical Sciences, 4, pp. 119–152 (1939).
(4) R. Sethukkarasi, S. Ganapathy, P. Yogesh, A. Kannan, An intelligent neuro fuzzy temporal knowledge representation model for mining temporal patterns, Journal of Intelligent & Fuzzy Systems, 26, 3, pp. 1167–1178 (2014).
(5) Y. Hayashi, S. Yukita, Rule extraction using Recursive-Rule extraction algorithm with J48 graft combined with sampling selection techniques for the diagnosis of type 2 diabetes mellitus in the Pima Indian dataset, Informatics in Medicine Unlocked, 2, pp. 92–104 (2016).
(6) H. Kazemian, S.A. Yusuf, K. White, C.M. Grimaldi, NN approach and its comparison with NN-SVM to beta-barrel prediction, Expert Systems with Applications, 61, pp. 203–214 (2016).
(7) I. Kavakiotis, O. Tsave, A. Salifoglou, N. Maglaveras, I. Vlahavas et al., Machine Learning and Data Mining Methods in Diabetes Research, Computational and Structural Biotechnology Journal, 15, pp. 104–116 (2017).
(8) F. Mansourypoor, S. Asadi, Development of a Reinforcement Learning-based Evolutionary Fuzzy Rule-Based System for diabetes diagnosis, Computers in Biology and Medicine, 91, pp. 337–352 (2017).
(9) A. Talaei-Khoei, J.M. Wilson, Identifying people at risk of developing type 2 diabetes: A comparison of predictive analytics techniques and predictor variables, International Journal of Medical Informatics, 119, pp. 22–38 (2018).
(10) N. Singh, P. Singh, D. Bhagat, A rule extraction approach from support vector machines for diagnosing hypertension among diabetics, Expert Systems with Applications, 130, pp. 188–205 (2019).
(11) M. Alirezaei, S.d Taghi, A. Niaki, S. Armin, A. Niaki, A bi-objective hybrid optimization algorithm to reduce noise and data dimension in diabetes diagnosis using support vector machines, Expert Systems with Applications, 127, pp. 47–57 (2019).
(12) U. Kanimozhi, S. Ganapathy, D. Manjula, A. Kannan, An intelligent risk prediction system for breast cancer using fuzzy temporal rules, National Academy Science and Letters,.42, 3, pp. 227–232 (2019).
(13) R.K. Bania, A. Halder, R-Ensembler, A greedy rough set based ensemble attribute selection algorithm with kNN imputation for classification of medical data, Computer Methods and Programs in Biomedicine, 184, 105122 (2020).
(14) N. Singh, P. Singh, Stacking-based multi-objective evolutionary ensemble framework for prediction of diabetes mellitus, Biocybernetics and Biomedical Engineering, 40, 1, pp. 1–22, (2020).
(15) M.T. García-Ordás, C. Benavides, J.A. Benítez-Andrades, H.A. Moretón, I. García-Rodríguez, Diabetes detection using deep learning techniques with oversampling and feature augmentation, Computer Methods and Programs in Biomedicine, 202, Article ID: 105968, (2021).
(16) X. Xu, M. Yoneda, Multitask air-quality prediction based on LSTM-autoencoder model, IEEE Transactions on Cybernetics, 51, 5, pp. 2577–2586 (2021).
(17) P.M. Murphy, D.W. Aha, UCI Repository of machine learning databases (machine-readable data repository, University of California, Dept. Inf. Comput. Sci., Irvine, CA (1993).
(18) S. Ganapathy, R. Sethukkarasi, P. Yogesh, P. Vijayakumar, A. Kannan, An intelligent temporal pattern classification system using fuzzy temporal rules and particle swarm optimization, Sadhana, 39, 2, pp. 283–302, (2014).
(19) R.P. Cherian, N. Thomas, S. Venkitachalam, Weight optimized neural network for heart disease prediction using hybrid lion plus particle swarm algorithm, Journal of Biomedical Informatics, 110, Article no. 103543, pp. 1–11 (2020).
(20) R. Rajabioun, Cuckoo optimization algorithm, Applied Soft Computing, 11, 8, pp. 5508–5518 (2011).
(21) H.T Gupta, P. Kumar, S. Saurabh, S.K. Mishra, B. Appasani, A. Pati, C. Ravariu, A. Srinivasulu, Category boosting machine learning algorithm for breast cancer prediction, Rev. Roum. Sci. Techn.– Électrotechn. et Énerg., 66, 3, pp. 201–206, Bucarest (2021).
(22) M.I. Abdelwanis, R. El-Sehiemy, M.A. Hamida, Parameter estimation of permanent magnet synchronous machines using particle swarm optimization algorithm, Rev. Roum. Sci. Techn.–Électrotechn. et Énerg., 67, 4, pp. 377–382, Bucarest (2022).
(23) V.E. Jesi, S.M. Aslam, An intelligent disease prediction and monitoring system using feature selection, multi-neural network and fuzzy rules, Neural Computing and Applications, 34, 22, pp. 19877–19893 (2022)
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2023
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
