Модель прогнозування захворювання на основі підходу конкатенації для стійкої системи охорони здоров’я
In the present world, due to many factors like environmental changes, food styles, and living habits, human health is constantly affected by different diseases, which causes a huge amount of data to be managed in health care. Some diseases become life-threatening if they are not cured at the startin...
Збережено в:
| Видавець: | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
|---|---|
| Дата: | 2023 |
| Автори: | , , |
| Формат: | Стаття |
| Мова: | English |
| Опубліковано: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2023
|
| Теми: | |
| Онлайн доступ: | http://journal.iasa.kpi.ua/article/view/267594 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
Організація
System research and information technologies| id |
journaliasakpiua-article-267594 |
|---|---|
| record_format |
ojs |
| spelling |
journaliasakpiua-article-2675942023-11-07T22:19:24Z A concatenation approach-based disease prediction model for sustainable health care system Модель прогнозування захворювання на основі підходу конкатенації для стійкої системи охорони здоров’я Tharageswari, Kamaraj Mohana Sundaram, Natarajan Santhosh, Rajendran вилучення функцій прогнозування захворювань глибоке навчання Inception V3 Xception feature extraction disease prediction deep learning Inception V3 Xception In the present world, due to many factors like environmental changes, food styles, and living habits, human health is constantly affected by different diseases, which causes a huge amount of data to be managed in health care. Some diseases become life-threatening if they are not cured at the starting stage. Thus, it is a complex task for the healthcare system to design a well-trained disease prediction model for accurately identifying diseases. Deep learning models are the most widely used in disease prediction research, but their performance is inferior to conventional models. In order to overcome this issue, this work introduces the concatenation of Inception V3 and Xception deep learning convolutional neural network models. The proposed model extracts the main features and produces the prediction result more accurately than traditional predictive models. This work analyses the performance of the proposed model in terms of accuracy, precision, recall, and f1-score. It compares the proposed model to existing techniques such as Stacked Denoising Auto-Encoder (SDAE), Logistic Regression (LR), MLP, MLP with attention mechanism (MLP-A), Support Vector Machine (SVM), Multi Neural Network (MNN), and Hybrid Convolutional Neural Network (CNN)-Random Forest (RF). У сучасному світі внаслідок багатьох факторів, таких як зміни навколишнього середовища, стилі харчування та життєві звички, на здоров’я людей постійно впливають різні захворювання, що призводить до того, що в системі охорони здоров’я потрібно керувати величезною кількістю даних. Деякі захворювання створюють небезпеку для життя, якщо їх не вилікувати на початковій стадії. Для системи охорони здоров’я це робить складним завданням розробити добре навчену модель прогнозування захворювань для точної їх ідентифікації. Моделі глибокого навчання найбільш широко використовуються в дослідженнях прогнозування захворювань, але їх продуктивність поступається звичайним моделям. Щоб вирішити цю проблему, у роботі подано конкатенацію моделей згорткових нейронних мереж глибокого навчання Inception V3 і Xception. Запропонована модель виділяє основні ознаки та створює результат прогнозу точніше, ніж інші традиційні моделі прогнозування. У роботі аналізується продуктивність запропонованої моделі з точки зору точності, прецизійності, запам’ятовування та F1-міра, порівнюються моделі з існуючими методами, такими як стековий автоматичний кодувальник (SDAE), логістична регресія (LR), MLP, MLP з механізмом уваги (MLP-A), опорна векторна машина (SVM), мультинейронна мережа (MNN), гібридна згорткова нейронна мережа (CNN), випадковий ліс (RF). The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2023-09-29 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/267594 10.20535/SRIT.2308-8893.2023.3.06 System research and information technologies; No. 3 (2023); 81-95 Системные исследования и информационные технологии; № 3 (2023); 81-95 Системні дослідження та інформаційні технології; № 3 (2023); 81-95 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/267594/283970 |
| institution |
System research and information technologies |
| collection |
OJS |
| language |
English |
| topic |
вилучення функцій прогнозування захворювань глибоке навчання Inception V3 Xception feature extraction disease prediction deep learning Inception V3 Xception |
| spellingShingle |
вилучення функцій прогнозування захворювань глибоке навчання Inception V3 Xception feature extraction disease prediction deep learning Inception V3 Xception Tharageswari, Kamaraj Mohana Sundaram, Natarajan Santhosh, Rajendran Модель прогнозування захворювання на основі підходу конкатенації для стійкої системи охорони здоров’я |
| topic_facet |
вилучення функцій прогнозування захворювань глибоке навчання Inception V3 Xception feature extraction disease prediction deep learning Inception V3 Xception |
| format |
Article |
| author |
Tharageswari, Kamaraj Mohana Sundaram, Natarajan Santhosh, Rajendran |
| author_facet |
Tharageswari, Kamaraj Mohana Sundaram, Natarajan Santhosh, Rajendran |
| author_sort |
Tharageswari, Kamaraj |
| title |
Модель прогнозування захворювання на основі підходу конкатенації для стійкої системи охорони здоров’я |
| title_short |
Модель прогнозування захворювання на основі підходу конкатенації для стійкої системи охорони здоров’я |
| title_full |
Модель прогнозування захворювання на основі підходу конкатенації для стійкої системи охорони здоров’я |
| title_fullStr |
Модель прогнозування захворювання на основі підходу конкатенації для стійкої системи охорони здоров’я |
| title_full_unstemmed |
Модель прогнозування захворювання на основі підходу конкатенації для стійкої системи охорони здоров’я |
| title_sort |
модель прогнозування захворювання на основі підходу конкатенації для стійкої системи охорони здоров’я |
| title_alt |
A concatenation approach-based disease prediction model for sustainable health care system |
| description |
In the present world, due to many factors like environmental changes, food styles, and living habits, human health is constantly affected by different diseases, which causes a huge amount of data to be managed in health care. Some diseases become life-threatening if they are not cured at the starting stage. Thus, it is a complex task for the healthcare system to design a well-trained disease prediction model for accurately identifying diseases. Deep learning models are the most widely used in disease prediction research, but their performance is inferior to conventional models. In order to overcome this issue, this work introduces the concatenation of Inception V3 and Xception deep learning convolutional neural network models. The proposed model extracts the main features and produces the prediction result more accurately than traditional predictive models. This work analyses the performance of the proposed model in terms of accuracy, precision, recall, and f1-score. It compares the proposed model to existing techniques such as Stacked Denoising Auto-Encoder (SDAE), Logistic Regression (LR), MLP, MLP with attention mechanism (MLP-A), Support Vector Machine (SVM), Multi Neural Network (MNN), and Hybrid Convolutional Neural Network (CNN)-Random Forest (RF). |
| publisher |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| publishDate |
2023 |
| url |
http://journal.iasa.kpi.ua/article/view/267594 |
| work_keys_str_mv |
AT tharageswarikamaraj aconcatenationapproachbaseddiseasepredictionmodelforsustainablehealthcaresystem AT mohanasundaramnatarajan aconcatenationapproachbaseddiseasepredictionmodelforsustainablehealthcaresystem AT santhoshrajendran aconcatenationapproachbaseddiseasepredictionmodelforsustainablehealthcaresystem AT tharageswarikamaraj modelʹprognozuvannâzahvorûvannânaosnovípídhodukonkatenacíídlâstíjkoísistemiohoronizdorovâ AT mohanasundaramnatarajan modelʹprognozuvannâzahvorûvannânaosnovípídhodukonkatenacíídlâstíjkoísistemiohoronizdorovâ AT santhoshrajendran modelʹprognozuvannâzahvorûvannânaosnovípídhodukonkatenacíídlâstíjkoísistemiohoronizdorovâ AT tharageswarikamaraj concatenationapproachbaseddiseasepredictionmodelforsustainablehealthcaresystem AT mohanasundaramnatarajan concatenationapproachbaseddiseasepredictionmodelforsustainablehealthcaresystem AT santhoshrajendran concatenationapproachbaseddiseasepredictionmodelforsustainablehealthcaresystem |
| first_indexed |
2024-04-08T14:50:28Z |
| last_indexed |
2024-04-08T14:50:28Z |
| _version_ |
1804810496012976128 |