| LEADER |
05544nam a2200313 4500 |
| 001 |
1540377 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 656288
|a Hantoli, Younes Nedal Younes
|e Author
|
| 245 |
|
|
|a Prediction and Classification Analytics of Obesity Datasets Using a Hybrid Model of Clustering and Neuro-Fuzzy Methods
|
| 260 |
|
|
|a جنين
|c 2021
|
| 300 |
|
|
|a 1 - 88
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c الجامعة العربية الأمريكية - جنين
|f كلية الدراسات العليا
|g فلسطين
|o 0395
|
| 520 |
|
|
|a تعتبر صحة الإنسان من أهم مجالات الحياة، وحيث أن السمنة هي أحد الأسباب الرئيسية للعديد من الأمراض التي قد تسبب الوفاة مثل مرض السكري، وارتفاع ضغط الدم، والسكتة الدماغية، فقد يتم استخدام تكنولوجيا المعلومات لتطوير العديد من جوانب الحياة، ومساعدة البشر في عملهم اليومي. وحيث يعتبر الذكاء الاصطناعي (AI) أحد المجالات المهمة والذي بدوره يقدم العديد من الطرق والخوارزميات لدعم اتخاذ القرارات السريرية، فيعد تكامل الذكاء الاصطناعي في مجال تشخيص الرعاية الصحية طريقة فعالة في عدد كبير من تطبيقات الرعاية الصحية. بالإضافة لذلك، يمكن تصنيف الإجراءات التشخيصية في مجال الرعاية الصحية على أنها مهام تنبؤيه وتصنيف ذكي للبيانات من حيث إمكانية استخدام تقنيات الذكاء الاصطناعي للتنبؤ بأمراض السمنة وتصنيفها لتقديم المساعدة المناسبة للأطباء في عملية اتخاذ القرار. تستخدم العديد من تقنيات الذكاء لتشخيص الأمراض مثل neural network, fuzzy logic, expert systems إلخ. ففي هذا البحث، تم استخدام تقنيات ذكاء اصطناعي مختلفة لتصنيف سمنة الطفل وتوقعاتها. ولتحقيق هدف الدراسة، تم جمع مجموعة البيانات من 4 مدن في فلسطين. حيث تمر هذه البيانات المجمعة من خلال المعالجة المسبقة للبيانات، واستخراج المتغيرات التي تؤثر بشكل كبير على سمنة الأطفال. ومن ثم تطبيق أساليب الذكاء الاصطناعي للتعرف على الأنماط المختلفة في مجموعة البيانات، فقد تم استخدام Decision-tree, k-nearest neighbor, support vector machine, logistic regression, neural network, and a hybrid adaptive neuro-fuzzy inference system الذي يجمع بين fuzzy logic and neural networks للتعرف على النمط الموجود على مجموعة البيانات وتحسين نتائج تصنيف السمنة عند الأطفال بدقة عالية. بالنسبة لهذا النموذج neuro-fuzzy hybrid، فإن membership functions المستخدمة هي trimf و trapmf و gaussmf و gauss2mf، حيث تم استخدام نوعين من الهياكل Neuro-fuzzy؛ grid partitioning, clustering structure. وقد وجد أن إجمالي القواعد 512 قاعدة للحصول على احتمالية إصابة الطفل بالسمنة. وبناء على النتائج التي تم الحصول عليها عند التطبيق باستعمال جميع البيانات لجميع المدن، فقد حقق نظام hybrid adaptive neuro-fuzzy inference أعلى دقة تنبؤ بلغت 98.33% باستخدام grid partition، وتم باستعمال neural network الحصول على نسبة 98.40%، وهي تعتبر نتائج جيدة جدا وتستحق استخدامها في تطبيق حقيقي لمساعدة المتخصصين في اتخاذ القرارات. وفي المقابل، حصلت النماذج الأخرى على درجات دقة على النحو التالي: Logistic Regression 05.97% ، D-tree 92.30%، KNN 93.60%، SVM 97.10%. كما تم الحصول على نتائج أخرى عند تطبيق نفس الأساليب لكل مدينة على حدة، نتائج المدينة 1 (ANFIS-Grid 99.97%، ANFIS-Cluster 98.58%،Logistic Regression 95.20% ، Neural Network 99.40%)، النتائج التفصيلية الأخرى موضحة في الفصل 4.
|
| 653 |
|
|
|a تكنولوجيا المعلومات
|a السجلات الإلكترونية
|a القطاع الصحي
|a الخدمات الصحية
|a الرعاية الصحية
|a الذكاء الاصطناعي
|a مرضى السمنة
|a فلسطين
|
| 700 |
|
|
|a Awad, Mohammed
|e Advisor
|9 551750
|
| 856 |
|
|
|u 9808-002-001-0395-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9808-002-001-0395-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9808-002-001-0395-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9808-002-001-0395-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9808-002-001-0395-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9808-002-001-0395-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9808-002-001-0395-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9808-002-001-0395-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9808-002-001-0395-5.pdf
|y 5 الفصل
|
| 856 |
|
|
|u 9808-002-001-0395-R.pdf
|y المصادر والمراجع
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1228502
|d 1228502
|
