جلد 14 - جلد 14، شماره 5، ویژه نامه کووید-19
جلد 14 - جلد 14، شماره 5، ویژه نامه کووید-19,1399 صفحات 57-49 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Kamarzarrin M, eghbal N. Modeling of self-assessment system of COVID-19 disease diagnosis using Type-2 Sugeno fuzzy inference system. JoC 2021; 14 (S1) :49-57
URL: http://joc.kntu.ac.ir/article-1-817-fa.html
URL: http://joc.kntu.ac.ir/article-1-817-fa.html
کمرزرین مریم، اقبال نجمه. مدل سازی سیستم خود ارزیابی بیماری COVID-19 با استفاده از استنتاج‌های فازی سوگنو نوع دو. مجله کنترل. 1399; 14 (S1) :49-57
مریم کمرزرین* 
1، نجمه اقبال1
1، نجمه اقبال1
1- دانشگاه صنعتی سجاد مشهد
چکیده: (3701 مشاهده)
بر اساس گزارش سازمان بهداشت جهانی با تداوم همه گیری ویروس کرونا در جهان تا کنون شمار فوت شدگان به بیش از یک میلیون تن رسیده است. تشخیص زود هنگام بیماری می‌تواند کمک زیادی برای قطع زنجیره انتقال بیماری باشد. در حال حاضر کیت های تست کووید- 19 بسیار محدود و پر هزینه هستند که روند تشخیص را کند و مشکل ساز می‌سازند در نتیجه نیاز است این بیماری در مراحل اولیه تشخیص داده شود تا از انتقال آن جلوگیری گردد. از این رو بر آن شدیم تا به کمک استنتاج فازی سوگنو نوع دو روش خود ارزیابی بیماری کووید- 19 را پیشنهاد دهیم که می‌تواند باعث صرفه جویی در وقت و هزینه شود. این سیستم مبتنی بر 98 قانون است که بر اساس رهنمودهای سازمان بهداشت جهانی تهیه شده است و از نرم افزار MATLAB برای شبیه سازی و تشخیص بیماری استفاده شده است. نتایج نشان می‌دهد که مدل فازی سوگنو به ترتیب با ضریب همبستگی R^2=0.94 و مجذور مربعات خطا MSE=0.045 در مرحله آموزش و تست عملکرد قابل قبولی در تشخیص وتعیین نوع بیماری کووید- 19 دارد. نتایج خود ارزیابی بسیار امیدوارکننده است و می‌تواند مانعی از گسترش بیشتر بیماری گردد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
کووید 19
دریافت: 1399/10/9 | پذیرش: 1399/11/25 | انتشار: 1399/12/10
دریافت: 1399/10/9 | پذیرش: 1399/11/25 | انتشار: 1399/12/10
فهرست منابع
1. Shchelkanov, M. Y., Popova, A. Y., Dedkov, V. G., Akimkin, V. G., & Maleyev, V. V. (2020). History of investigation and current classification of coronaviruses (Nidovirales: Coronaviridae). Russian Journal of Infection and Immunity, 10(2) , 221-246. [DOI:10.15789/2220-7619-HOI-1412]
2. Song, Z., Xu, Y., Bao, L., Zhang, L., Yu, P., Qu, Y., ... & Qin, C. (2019). From SARS to MERS, thrusting coronaviruses into the spotlight. Viruses, 11(1) , 59. [DOI:10.3390/v11010059]
3. Adly, A. S., Adly, A. S., & Adly, M. S. (2020). Approaches based on artificial intelligence and the internet of intelligent things to prevent the spread of COVID-19: Scoping review. Journal of Medical Internet Research, 22(8) , e19104. [DOI:10.2196/19104]
4. Long, C., Xu, H., Shen, Q., Zhang, X., Fan, B., Wang, C. & Li, H. (2020). Diagnosis of the Coronavirus disease (COVID-19): rRT-PCR or CT. European journal of radiology, 108961. [DOI:10.1016/j.ejrad.2020.108961]
5. Larsen, J. R., Martin, M. R., Martin, J. D., Kuhn, P., & Hicks, J. B. (2020). Modeling the Onset of Symptoms of COVID-19. Frontiers in public health, 8, 473. [DOI:10.3389/fpubh.2020.00473]
6. Herrera-Viedma, E. (2015). Fuzzy sets and fuzzy logic in multi-criteria decision making. The 50th anniversary of Prof. Lotfi Zadeh's theory: Introduction. Technological and Economic Development of Economy, 21(5), 677-683. [DOI:10.3846/20294913.2015.1084956]
7. Kasabov, N. K., & Song, Q. (2002). DENFIS: dynamic evolving neural-fuzzy inference system and its application for time-series prediction. IEEE transactions on Fuzzy Systems, 10(2) , 144-154. [DOI:10.1109/91.995117]
8. Pham, B. H., Ha, H. T., & Ngo, L. T. (2012, December). Learning rule for TSK fuzzy logic systems using interval type-2 fuzzy subtractive clustering. In Asia-Pacific Conference on Simulated Evolution and Learning (pp. 430-439). Springer, Berlin, Heidelberg. [DOI:10.1007/978-3-642-34859-4_43]
9. Verity, R., Okell, L. C., Dorigatti, I., Winskill, P., Whittaker, C., Imai, N., & Dighe, A. (2020). Estimates of the severity of coronavirus disease 2019: a model-based analysis. The Lancet infectious diseases. [DOI:10.1016/S1473-3099(20)30243-7]
10. Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3), 665-685. [DOI:10.1109/21.256541]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
