مقارنة بين اختلاف دقة الشبكات العصبية الاصطناعية في تشخيص مرض الربو

Asthma is a chronic disease that is caused by inflammation of airways. Diagnosis, predication and classification of asthmatic are one of the major attractive areas of research for decades by using different and recent techniques, however the main problem of asthma is misdiagnosis. This paper simplifies and compare between different Artificial Neural Network techniques used to solve this problem by using different algorithms to getting a high level of accuracy in diagnosis, prediction, and classification of asthma like: (data mining algorithms, machine learning algorithms, deep machine learning algorithms), depending and passing through three stages: data acquisition, feature extracting, data classification. According to the comparison of different techniques the high accuracy achieved by ANN was (98.85%), and the low accuracy of it was (80%), despite of the accuracy achieved by Support Vector Machine (SVM) was (86%) when used Mel Frequency Cepstral Coefficient MFCC for feature extraction, while the accuracy was (99.34%) when used Relief for extracting feature. Based in our comparison we recommend that if the researchers used the same techniques they should to return to previous studies it to get high accuracy.  Keywords: Artificial Neural Network, Machine Learning, Support Vector Machine, Impulse Oscillometry, Spirometer.

الربو هو أحد الأمراض التنفسية المزمنة والتي تحدث نظرا لالتهاب في الشعب الهوائية. تشخيص الربو وتحديده وتصنيفه يعتبر أحد أكثر المجالات التي جذبت الكثير من الباحثين في العقود الأخيرة وذلك من خلال استخدام الطرق والتقنيات المتنوعة والحديثة في هذا المجال. تكمن المشكلة الحقيقية والاساسية لمرضى الربو في عملية التشخيص الخاطئ لهم. في هذه الورقة تم التلخيص والمقارنة بين الطرق الحديثة والمختلفة التي استخدمت الشبكات العصبية الاصطناعية في حل هذه المشكلة باستخدام الخوارزميات المختلفة للحصول على مستويات دقة عالية في عملية تشخيص والتنبؤ وتصنيف مرض الربو، ومثال على هذه الطرق: (طريقة خوارزميات تنقيب البيانات، طريقة خوارزميات التعليم الآلي، خوارزميات التعليم الالي العميق)، وتم شرح عمل هذه التقنيات الثلاث اعتمادا على مرور البيانات بثلاث مراحل: مرحلة جمع البيانات، مرحلة استخراج المميزات، مرحلة التشخيص والتصنيف. وفقاً لمقارنة بين التقنيات المختلفة فإن الدقة العالية حققتها تقنية الشبكات العصبية كانت (98.85%) والدقة المنخفضة (80%)، على الرغم من ان الدقة التي حققتها تقنية الة المتجهات الداعمة باستخدام تقنية (MFCC) لاستخراج المميزات كانت (86%)، بينما الدقة التي حققتها باستخدام تقنية (Relief) لاستخراج المميزات كانت (99.34%). وبناءً على المقارنة التي تمت نوصى الباحثون في حال استخدامهم نفس التقنيات التي ذكرت بالرجوع إلى الدراسات السابقة وذلك للحصول على أعلى دقة في التشخيص. الكلمات المفتاحية: الشبكات العصبية الذكية، التعليم الالى، الة المتجهات الداعمة، جهاز قياس التذبذب النبضى، مقياس التنفس