LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini

er, Mehmet Bilal; isik, ibrahim

doi:10.46810/tdfd.818528

LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini

Mehmet Bilal ER, (Harran Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Şanlıurfa, Türkiye)

İbrahim IŞIK (İnönü Üniversitesi, Mühendislik Fakültesi, Elektrik Elektronik Mühendisliği Bölümü, Malatya, Türkiye)

Türk Doğa ve Fen Dergisi

6 2

Yıl: 2021 Cilt: 10 Sayı: 1 Sayfa Aralığı: 68 - 74 Metin Dili: Türkçe DOI: 10.46810/tdfd.818528 İndeks Tarihi: 29-07-2022

LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini

Öz:

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.

Anahtar Kelime: Evrişimsel Sinir Ağ Diyabet tahmini LSTM

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

[1] Işik E, Toktamiş H, Işik İ. Analysis of thermoluminescence characteristics of a lithium disilicate glass ceramic using a nonlinear autoregressive with exogenous input model. Luminescence 2020;35:827–34. https://doi.org/10.1002/bio.3788.
[2] Naz H, Ahuja S. Deep learning approach for diabetes prediction using PIMA Indian dataset. J Diabetes Metab Disord 2020;19:391–403. https://doi.org/10.1007/s40200-020-00520-5.
[3] Allam F, Nossai Z, Gomma H, Ibrahim I, Abdelsalam M. A Recurrent Neural Network Approach for Predicting Glucose Concentration in Type-1 Diabetic Patients BT - Engineering Applications of Neural Networks. In: Iliadis L, Jayne C, editors., Berlin, Heidelberg: Springer Berlin Heidelberg; 2011, p. 254–9.
[4] Ramachandran A. Know the signs and symptoms of diabetes. Indian J Med Res 2014;140:579–81.
[5] Palaniappan S, Awang R. Intelligent heart disease prediction system using data mining techniques. 2008 IEEE/ACS Int Conf Comput Syst Appl 2008. https://doi.org/10.1109/aiccsa.2008.4493524.
[6] Dwivedi AK. Analysis of computational intelligence techniques for diabetes mellitus prediction. Neural Comput Appl 2017;30:3837–45. https://doi.org/10.1007/s00521-017-2969-9.
[7] Heydari M, Teimouri M, Heshmati Z, Alavinia SM. Comparison of various classification algorithms in the diagnosis of type 2 diabetes in Iran. Int J Diabetes Dev Ctries 2015;36:167–73. https://doi.org/10.1007/s13410-015-0374-4.
[8] G. S, R. V, K.P. S. Diabetes detection using deep learning algorithms. ICT Express 2018;4:243–6. https://doi.org/10.1016/j.icte.2018.10.005.
[9] Yuvaraj N, SriPreethaa KR. Diabetes prediction in healthcare systems using machine learning algorithms on Hadoop cluster. Cluster Comput 2017;22:1–9. https://doi.org/10.1007/s10586-017- 1532-x.
[10] Wu H, Yang S, Huang Z, He J, Wang X. Type 2 diabetes mellitus prediction model based on data mining. Informatics Med Unlocked 2018;10:100–7. https://doi.org/10.1016/j.imu.2017.12.006.
[11] Massaro A, Maritati V, Giannone D, Convertini D, Galiano A. LSTM DSS Automatism and Dataset Optimization for Diabetes Prediction. Appl Sci 2019;9:3532. https://doi.org/10.3390/app9173532.
[12] Gill N, Mittal P. A computational hybrid model with two level classification using SVM and neural network for predicting the diabetes disease 2016;87:1–10.
[13] Fu Y, Aldrich C. Flotation froth image recognition with convolutional neural networks. Miner Eng 2019;132:183–90. https://doi.org/10.1016/j.mineng.2018.12.011.
[14] GÜLCÜ A, KUŞ Z. Konvolüsyonel Sinir Ağlarında Hiper-Parametre Optimizasyonu Yöntemlerinin İncelenmesi. Gazi Üniversitesi Fen Bilim Derg Part C Tasarım ve Teknol 2019;7:503– 22. https://doi.org/10.29109/gujsc.514483.
[15] Cireundefinedan DC, Meier U, Masci J, Gambardella LM, Schmidhuber J. Flexible, High Performance Convolutional Neural Networks for Image Classification. Proc. Twenty-Second Int. Jt. Conf. Artif. Intell. - Vol. Vol. Two, AAAI Press; 2011, p. 1237–1242.
[16] ER MB. Akciğer Seslerinin Derin Öğrenme İle Sınıflandırılması. Gazi Üniversitesi Fen Bilim Derg Part C Tasarım ve Teknol 2020. https://doi.org/10.29109/gujsc.758325.
[17] Olah C. Understanding LSTM Networks n.d.
[18] Predict the Onset of Diabetes Based on Diagnostic Measures n.d.
[19] Ashiquzzaman A, Tushar AK, Islam MR, Shon D, Im K, Park J-H, et al. Reduction of Overfitting in Diabetes Prediction Using Deep Learning Neural Network. IT Converg Secur 2017 2017:35–43. https://doi.org/10.1007/978-981-10-6451-7_5.
[20] Rahman M, Islam D, Mukti RJ, Saha I. A deep learning approach based on convolutional LSTM for detecting diabetes. Comput Biol Chem 2020;88:107329. https://doi.org/10.1016/j.compbiolchem.2020.1073 29.
[21] Dadgar SMH, Kaardaan M. A Hybrid Method of Feature Selection and Neural Network with Genetic Algorithm to Predict Diabetes, 2017.
[22] Haritha R, Babu DS, Sammulal DP. A Hybrid Approach for Prediction of Type-1 and Type-2 Diabetes using Firefly and Cuckoo Search Algorithms, 2018.

APA	er M, isik i (2021). LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. , 68 - 74. 10.46810/tdfd.818528
Chicago	er Mehmet Bilal,isik ibrahim LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. (2021): 68 - 74. 10.46810/tdfd.818528
MLA	er Mehmet Bilal,isik ibrahim LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. , 2021, ss.68 - 74. 10.46810/tdfd.818528
AMA	er M,isik i LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. . 2021; 68 - 74. 10.46810/tdfd.818528
Vancouver	er M,isik i LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. . 2021; 68 - 74. 10.46810/tdfd.818528
IEEE	er M,isik i "LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini." , ss.68 - 74, 2021. 10.46810/tdfd.818528
ISNAD	er, Mehmet Bilal - isik, ibrahim. "LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini". (2021), 68-74. https://doi.org/10.46810/tdfd.818528

APA	er M, isik i (2021). LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. Türk Doğa ve Fen Dergisi, 10(1), 68 - 74. 10.46810/tdfd.818528
Chicago	er Mehmet Bilal,isik ibrahim LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. Türk Doğa ve Fen Dergisi 10, no.1 (2021): 68 - 74. 10.46810/tdfd.818528
MLA	er Mehmet Bilal,isik ibrahim LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. Türk Doğa ve Fen Dergisi, vol.10, no.1, 2021, ss.68 - 74. 10.46810/tdfd.818528
AMA	er M,isik i LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. Türk Doğa ve Fen Dergisi. 2021; 10(1): 68 - 74. 10.46810/tdfd.818528
Vancouver	er M,isik i LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. Türk Doğa ve Fen Dergisi. 2021; 10(1): 68 - 74. 10.46810/tdfd.818528
IEEE	er M,isik i "LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini." Türk Doğa ve Fen Dergisi, 10, ss.68 - 74, 2021. 10.46810/tdfd.818528
ISNAD	er, Mehmet Bilal - isik, ibrahim. "LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini". Türk Doğa ve Fen Dergisi 10/1 (2021), 68-74. https://doi.org/10.46810/tdfd.818528