LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini

Mehmet Bilal Er; İbrahim Işık

doi:10.46810/tdfd.818528

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 Kelimeler

Kaynakça

[1] H. Naz and S. Ahuja, “Deep learning approach for diabetes prediction using PIMA Indian dataset,” J. Diabetes Metab. Disord., vol. 19, no. 1, pp. 391–403, Apr. 2020, doi: 10.1007/s40200-020-00520-5.
[2] F. Allam, Z. Nossai, H. Gomma, I. Ibrahim, and M. Abdelsalam, “A Recurrent Neural Network Approach for Predicting Glucose Concentration in Type-1 Diabetic Patients BT - Engineering Applications of Neural Networks,” 2011, pp. 254–259.
[3] A. Ramachandran, “Know the signs and symptoms of diabetes,” Indian J. Med. Res., vol. 140, pp. 579–581, Nov. 2014.
[4] S. Palaniappan and R. Awang, “Intelligent heart disease prediction system using data mining techniques,” 2008 IEEE/ACS International Conference on Computer Systems and Applications. IEEE, 2008, doi: 10.1109/aiccsa.2008.4493524.
[5] A. K. Dwivedi, “Analysis of computational intelligence techniques for diabetes mellitus prediction,” Neural Comput. Appl., vol. 30, no. 12, pp. 3837–3845, 2017, doi: 10.1007/s00521-017-2969-9.
[6] M. Heydari, M. Teimouri, Z. Heshmati, and S. M. Alavinia, “Comparison of various classification algorithms in the diagnosis of type 2 diabetes in Iran,” Int. J. Diabetes Dev. Ctries., vol. 36, no. 2, pp. 167–173, 2015, doi: 10.1007/s13410-015-0374-4.
[7] S. G., V. R., and S. K.P., “Diabetes detection using deep learning algorithms,” ICT Express, vol. 4, no. 4, pp. 243–246, 2018, doi: 10.1016/j.icte.2018.10.005.
[8] N. Barakat, A. P. Bradley, and M. N. H. Barakat, “Intelligible Support Vector Machines for Diagnosis of Diabetes Mellitus,” IEEE Trans. Inf. Technol. Biomed., vol. 14, no. 4, pp. 1114–1120, 2010, doi: 10.1109/titb.2009.2039485.

[9] N. Yuvaraj and K. R. SriPreethaa, “Diabetes prediction in healthcare systems using machine learning algorithms on Hadoop cluster,” Cluster Comput., vol. 22, no. S1, pp. 1–9, 2017, doi: 10.1007/s10586-017-1532-x.
[10] H. Wu, S. Yang, Z. Huang, J. He, and X. Wang, “Type 2 diabetes mellitus prediction model based on data mining,” Informatics Med. Unlocked, vol. 10, pp. 100–107, 2018, doi: 10.1016/j.imu.2017.12.006.
[11] M. Rahman, D. Islam, R. J. Mukti, and I. Saha, “A deep learning approach based on convolutional LSTM for detecting diabetes,” Comput. Biol. Chem., vol. 88, p. 107329, 2020, doi: 10.1016/j.compbiolchem.2020.107329.
[12] A. Massaro, V. Maritati, D. Giannone, D. Convertini, and A. Galiano, “LSTM DSS Automatism and Dataset Optimization for Diabetes Prediction,” Appl. Sci., vol. 9, no. 17, p. 3532, 2019, doi: 10.3390/app9173532.
[13] N. Gill and P. Mittal, “A computational hybrid model with two level classification using SVM and neural network for predicting the diabetes disease,” vol. 87, pp. 1–10, May 2016.
[14] Y. Fu and C. Aldrich, “Flotation froth image recognition with convolutional neural networks,” Miner. Eng., vol. 132, pp. 183–190, 2019, doi: 10.1016/j.mineng.2018.12.011.
[15] A. GÜLCÜ and Z. KUŞ, “Konvolüsyonel Sinir Ağlarında Hiper-Parametre Optimizasyonu Yöntemlerinin İncelenmesi,” Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, vol. 7. Gazi Üniversitesi, pp. 503–522, 2019, doi: 10.29109/gujsc.514483.
[16] D. C. Cireundefinedan, U. Meier, J. Masci, L. M. Gambardella, and J. Schmidhuber, “Flexible, High Performance Convolutional Neural Networks for Image Classification,” in Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence - Volume Volume Two, 2011, pp. 1237–1242.
[17] C. Olah, “Understanding LSTM Networks.” http://colah.github.io/posts/2015-08-Understanding-LSTMs/ (accessed Aug. 21, 2020).
[18] “Predict the Onset of Diabetes Based on Diagnostic Measures.” https://www.kaggle.com/uciml/pima-indians-diabetes-database (accessed Aug. 22, 2020).
[19] A. Ashiquzzaman et al., “Reduction of Overfitting in Diabetes Prediction Using Deep Learning Neural Network,” IT Convergence and Security 2017. Springer Singapore, pp. 35–43, 2017, doi: 10.1007/978-981-10-6451-7_5.
[20] S. M. H. Dadgar and M. Kaardaan, “A Hybrid Method of Feature Selection and Neural Network with Genetic Algorithm to Predict Diabetes,” 2017.
[21] R. Haritha, D. S. Babu, and D. P. Sammulal, “A Hybrid Approach for Prediction of Type-1 and Type-2 Diabetes using Firefly and Cuckoo Search Algorithms,” 2018.
[22] I. Esme, T. Hüseyin, I. İbrahim, "Analysis of thermoluminescence characteristics of a lithium disilicate glass ceramic using a nonlinear autoregressive with exogenous input model", Luminescence, 1-8, 2020.10.1002/bio.3788

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Mehmet Bilal Er
0000-0002-2074-1776
Türkiye

İbrahim Işık ^*
0000-0003-1355-9420
Türkiye

Yayımlanma Tarihi

25 Haziran 2021

Gönderilme Tarihi

30 Ekim 2020

Kabul Tarihi

11 Şubat 2021

Yayımlandığı Sayı

Yıl 2021 Cilt: 10 Sayı: 1

DOI

https://doi.org/10.46810/tdfd.818528

IZ

https://izlik.org/JA89WM52GZ

Kaynak Göster

RIS / Bibtex

APA

Er, M. B., & Işık, İ. (2021). LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. Türk Doğa ve Fen Dergisi, 10(1), 68-74. https://doi.org/10.46810/tdfd.818528

AMA

1.Er MB, Işık İ. LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. TDFD. 2021;10(1):68-74. doi:10.46810/tdfd.818528

Chicago

Er, Mehmet Bilal, ve İbrahim Işık. 2021. “LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini”. Türk Doğa ve Fen Dergisi 10 (1): 68-74. https://doi.org/10.46810/tdfd.818528.

EndNote

Er MB, Işık İ (01 Haziran 2021) LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. Türk Doğa ve Fen Dergisi 10 1 68–74.

IEEE

[1]M. B. Er ve İ. Işık, “LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini”, TDFD, c. 10, sy 1, ss. 68–74, Haz. 2021, doi: 10.46810/tdfd.818528.

ISNAD

Er, Mehmet Bilal - Işık, İbrahim. “LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini”. Türk Doğa ve Fen Dergisi 10/1 (01 Haziran 2021): 68-74. https://doi.org/10.46810/tdfd.818528.

JAMA

1.Er MB, Işık İ. LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. TDFD. 2021;10:68–74.

MLA

Er, Mehmet Bilal, ve İbrahim Işık. “LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini”. Türk Doğa ve Fen Dergisi, c. 10, sy 1, Haziran 2021, ss. 68-74, doi:10.46810/tdfd.818528.

Vancouver

1.Mehmet Bilal Er, İbrahim Işık. LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini. TDFD. 01 Haziran 2021;10(1):68-74. doi:10.46810/tdfd.818528

Prediction Turkish Airlines BIST Stock Price Through Deep Artificial Neural Network Considering Transaction Volume and Seasonal Values

Bilişim Teknolojileri Dergisi

https://doi.org/10.17671/gazibtd.1180350

Performance comparison machine learning algorithms in diabetes disease prediction

European Mechanical Science

https://doi.org/10.26701/ems.1335503

Classification of Diffusion Constants of Transmitter and Receiver and Distance Between Them Using Mobile Molecular Communication via Diffusion Model

Arabian Journal for Science and Engineering

https://doi.org/10.1007/s13369-024-09221-0

Deep Learning Based EEG Based Mental Workload Detection with Discrete Wavelet Transform and Welch’s Power Spectral Density

Procedia Computer Science

https://doi.org/10.1016/j.procs.2025.03.186

COVID-19 Pandemic Prediction Using Hyper-Parameter-Tuned ANN, Bi-LSTM, and Stacked-LSTM in Türkiye

Düzce Üniversitesi Bilim ve Teknoloji Dergisi

https://doi.org/10.29130/dubited.1662505

LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini

LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Diyabet tanısının tahminlenmesinde denetimli makine öğrenme algoritmalarının performans karşılaştırması

Şeker hastalığı teşhisi ve önerilen modellerinin karşılaştırılması

Investigation Of Diabetes Data with Permutation Feature Importance Based Deep Learning Methods

Prediction Turkish Airlines BIST Stock Price Through Deep Artificial Neural Network Considering Transaction Volume and Seasonal Values

Performance comparison machine learning algorithms in diabetes disease prediction

Classification of Diffusion Constants of Transmitter and Receiver and Distance Between Them Using Mobile Molecular Communication via Diffusion Model

Comparative Analysis of Diabetes Diagnosis with Machine Learning Methods

Voice Pathology Detection Based on Canonical Correlation Analysis Method Using Hilbert–Huang Transform and LSTM Features

Process management in diabetes treatment by blending technique

Deep Learning Based EEG Based Mental Workload Detection with Discrete Wavelet Transform and Welch’s Power Spectral Density

COVID-19 Pandemic Prediction Using Hyper-Parameter-Tuned ANN, Bi-LSTM, and Stacked-LSTM in Türkiye