Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi

Güler, İnan; ÜBEYLİ, Derya Elif

Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi

İnan GÜLER, (Gazi Üniversitesi, Teknik Eğitim Fakültesi, Elektronik ve Bilgisayar Eğitimi Bölümü, Ankara, Türkiye)

Derya Elif ÜBEYLİ (TOBB Ekonomi ve Teknoloji Üniversitesi, Mühendislik Fakültesi, Elektrik Elektronik Mühendisliği Bölümü, Ankara, Türkiye)

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

3 0

Yıl: 2006 Cilt: 21 Sayı: 2 Sayfa Aralığı: 319 - 326 Metin Dili: Türkçe İndeks Tarihi: 29-07-2022

Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi

Öz:

Yapay sinir ağları (YSA), farklı disiplinlerdeki karmaşık problemlerin çözümlenmesinde kabul gören ve uygulamalarda sıklıkla yer alan modelleme araçları haline gelmiştir. Farklı YSA yapıları, tıp alanında karar destek sistemlerinin gelişmesinde kullanılmakta olan önemli modellerdendir. Bu çalışmada, dört farklı algoritma ile eğitilen çok katmanlı perseptron sinir ağları diyabet hastalığının teşhisinde kullanılmış ve en başarılı algoritma belirlenmiştir. Geri yayılım, delta-bar-delta, genişletilmiş delta-bar-delta ve hızlı yayılım, çalışılmış olan dört algoritmadır. Çok katmanlı perseptron sinir ağlarının eğitimi, geçerliliği ve testi veri tabanında yer alan farklı kişilere ait kayıtlar ile yapılmıştır. Performans belirleyiciler ve istatistiksel ölçümler ile çok katmanlı perseptron sinir ağları değerlendirilmiş ve sonuçlar diyabet hastalığının teşhisinde hızlı yayılım algoritmasının en başarılı çok katmanlı perseptron eğitim algoritması olduğunu göstermiştir.

Anahtar Kelime:

Diabetes diagnosis by multilayer perceptron neural networks

Öz:

Artificial neural networks (ANNs) have become modeling tools that have found extensive acceptance and they have frequently used in applications in many disciplines for solving complex problems. Different ANN structures are valuable models, which are used in the medical field for the development of decision support systems. In this study, four multilayer perceptron neural networks (MLPNNs) trained with different algorithms were used for diabetes prediction and the most efficient training algorithm was determined. Backpropagation, delta-bar-delta, extended delta-bar-delta and quick propagation were the studied four training algorithms. The MLPNNs were trained, cross validated and tested with subject records from the database. Performance indicators and statistical measures were used for evaluating the MLPNNs and the results demonstrated that the quick propagation algorithm was the most efficient multilayer perceptron training algorithm for diabetes prediction.

Anahtar Kelime:

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

1.Tafeit, E., Reibnegger, G., “Artificial Neural Networks in Laboratory Medicine and Medical Outcome Prediction”, Clinical Chemistry and Laboratory Medicine, Vol 37, No 9, 845-853, 1999.
2. Güler, İ., Übeyli, E.D., “Detection of Ophthalmic Artery Stenosis by Least-Mean Squares Backpropagation Neural Network”, Computers in Biology and Medicine, Vol 33, No 4, 333-343, 2003.
3. Übeyli, E.D., Güler, İ., “Neural Network Analysis of Internal Carotid Arterial Doppler Signals: Predictions of Stenosis and Occlusion”, Expert Systems with Applications, Vol 25, No 1, 1-13, 2003.
4. Güler, İ., Übeyli, E.D., “ECG Beat Classifier Designed by Combined Neural Network Model”, Pattern Recognition, Vol 38, No 2, 199-208, 2005.
5. Haykin, S., Neural Networks: A Comprehensive Foundation, New York, Macmillan College Publishing Company Inc, 1994.
6. Chaudhuri, B.B., Bhattacharya, U., “Efficient Training and Improved Performance of Multilayer Perceptron in Pattern Classification”, Neurocomputing, Vol 34, 11-27, 2000.
7. Rumelhart, D.E., Hinton, G.E., Williams, R.J., “Learning Representations by Back-Propagating Errors”, Nature, Vol 323, 533-536, 1986.
8. Jacobs, R.A., “Increased Rate of Convergence through Learning Rate Adaptation”, Neural Networks, Vol 1, 295-307, 1988.
9. Minai, A.A., Williams, R.D., “Back-Propagation Heuristics: A Study of the Extended Delta-Bar- Delta Algorithm”, Proceedings of International Joint Conference on Neural Networks, Vol 1, 595-600, San Diego, California, 17-21 June, 1990.
10. Fahlman, S.E., “An Empirical Study of Learning Speed in Backpropagation Networks”, Computer Science Technical Report, CMU-CS-88-162, Carnegie Mellon University, Pittsburgh, 1988.
11. Chan, L-W., “Efficacy of Different Learning Algorithms of the Back Propagation Network”, IEEE Region 10 Conference on Computer and Communication Systems, Vol 1, 23-27, 24-27 September, 1990.
12. Sidani, A., Sidani, T., “A Comprehensive Study of the Back Propagation Algorithm and Modifications”, IEEE Conference Record, 80- 84, 29-31 March, 1994.
13. Hannan, J.M., Bishop, J.M., “A Comparison of Fast Training Algorithms Over Two Real Problems”, IEE Fifth International Conference on Artificial Neural Networks, Conference Publication No. 440, 1-6, 7-9 July, 1997.
14. Download Diabetes Data; 05.05.2005. http://www.cormactech.com/neunet/download.html,
15. Besser, G.M., Bodansky, H.J., Cudworth A.G., Clinical Diabetes an Illustrated Text, Gower Medical Publishing, London, 1988.
16. Kennedy, L., Lyons, T.J., “Non-Enzymatic Glycosylation”, British Medical Bulletin, Vol 45, No 1, 174-190, 1989.
17. Bray, G.A., Contemporary Diagnosis and Management of Obesity, Newtown, Pennsylvania, Handsbook in Health Care Company, 2003.
18. Hyöty, H., Hiltunen, M., Lönnrot, M., “Enterovirus Infections and Insulin Dependent Diabetes Mellitus-Evidence for Causality”, Clinical and Diagnostic Virology, Vol 9, No 2-3, 77-84, 1998.
19. Pi-Sunyer, F.X., “A Review of Long-Term Studies Evaluating the Efficacy of Weight Loss in Ameliorating Disorders Associated with Obesity”, Clinical Therapeutics, Vol 18, No 6, 1006-1035, 1996.
20. American Diabetes Association (ADA), 05.05.2005 http://www.diabetes.org/home.jsp

APA	Güler İ, ÜBEYLİ D (2006). Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi. , 319 - 326.
Chicago	Güler İnan,ÜBEYLİ Derya Elif Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi. (2006): 319 - 326.
MLA	Güler İnan,ÜBEYLİ Derya Elif Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi. , 2006, ss.319 - 326.
AMA	Güler İ,ÜBEYLİ D Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi. . 2006; 319 - 326.
Vancouver	Güler İ,ÜBEYLİ D Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi. . 2006; 319 - 326.
IEEE	Güler İ,ÜBEYLİ D "Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi." , ss.319 - 326, 2006.
ISNAD	Güler, İnan - ÜBEYLİ, Derya Elif. "Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi". (2006), 319-326.

APA	Güler İ, ÜBEYLİ D (2006). Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 21(2), 319 - 326.
Chicago	Güler İnan,ÜBEYLİ Derya Elif Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 21, no.2 (2006): 319 - 326.
MLA	Güler İnan,ÜBEYLİ Derya Elif Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.21, no.2, 2006, ss.319 - 326.
AMA	Güler İ,ÜBEYLİ D Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2006; 21(2): 319 - 326.
Vancouver	Güler İ,ÜBEYLİ D Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2006; 21(2): 319 - 326.
IEEE	Güler İ,ÜBEYLİ D "Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 21, ss.319 - 326, 2006.
ISNAD	Güler, İnan - ÜBEYLİ, Derya Elif. "Çok katmanlı perseptron sinir ağları ile diyabet hastalığının teşhisi". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 21/2 (2006), 319-326.