این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدیریت اطلاعات سلامت، جلد ۱۷، شماره ۳، صفحات ۹۷-۱۰۳
عنوان فارسی به کارگیری الگوریتم خوشه‌بندی C- میانگین فازی در تشخیص میزان اضطراب
چکیده فارسی مقاله مقدمه : یکی از مهم‌ترین گام‌ها در پیشگیری و کنترل اختلالات اضطرابی، تشخیص آن‌ها در مراحل اولیه توسط روان‌پزشک است. هدف از انجام پژوهش حاضر، ارایه روشی جهت تشخیص شدت اضطراب با استفاده از الگوریتم خوشه‌بندی C- میانگین فازی بود. همچنین، تأثیر هر مشخصه در سنجش اضطراب و خوشه‌بندی مراجعه‌کنندگان تعیین گردید. روش بررسی : این مطالعه از نوع توصیفی بود. مجموعه داده‌های مرتبط به پرونده 300 نفر از مراجعه‌کنندگان به سه کلینیک روان‌پزشکی در شهر تهران، بر اساس پرسش‌نامه آزمون BAI (Beck Anxiety Inventory) تهیه شد. سپس الگوریتم خوشه‌بندی C- میانگین فازی، به بخش‌بندی مراجعه‌کنندگان و تعیین میزان اضطراب آن‌ها در هر خوشه پرداخت. این الگوریتم به طور مجزا بر روی هر مشخصه نیز اعمال گردید. یافته‌ها : مراجعه‌کنندگان به کلینیک روان‌پزشکی به چهار خوشه با برچسب‌های «فاقد اضطراب، اضطراب خفیف، اضطراب متوسط و اضطراب شدید» تقسیم‌ شدند. الگوریتم خوشه‌بندی C- میانگین فازی با دقت 66/90 درصد، به تشخیص اضطراب مراجعه‌کنندگان پرداخت. با اجرای این الگوریتم بر روی هر مشخصه، تأثیر مشخصه‌ها در سنجش اضطراب و خوشه‌بندی مراجعه‌کنندگان نیز تعیین شد. نتیجه‌گیری : الگوریتم خوشه‌بندی C- میانگین فازی، شدت اضطراب مراجعه‌کنندگان را با دقت بالایی تشخیص می‌دهد. بخش‌بندی بیماران با رویکرد خوشه‌بندی و بر اساس مهم‌ترین مشخصه‌ها، می‌تواند ابزار مفیدی جهت تصمیم‌گیری روان‌پزشک در تشخیص شدت اضطراب در مراحل اولیه آن باشد.
کلیدواژه‌های فارسی مقاله تحلیل خوشه‌ای، C- منطق فازی، اضطراب،
عنوان انگلیسی Using Fuzzy C-means Clustering Algorithm to Diagnose the Severity of Anxiety
چکیده انگلیسی مقاله Introduction: Diagnosing anxiety in the early stages by psychiatrists is one of the important steps in preventing and controlling these types of disorders. This study endeavors to present a method to diagnose the severity of anxiety using fuzzy C-means clustering (FCM) algorithm. Moreover, the influence of each feature on measuring anxiety and clustering of clients is determined. Methods: This was a quantitative and descriptive study with a dataset including 300 clients related to three psychiatric clinics in Tehran, Iran provided based on the Beck Anxiety Inventory (BAI). Then, the FCM algorithm was utilized to segment the clients and determine the severity of their anxiety in each cluster. Additionally, this algorithm was employed for each feature separately. Results: The psychiatric clinics' clients were divided into four clusters with the labels including no, minimal, moderate, and severe anxiety. Using the FCM algorithm, the anxiety of the clients was diagnosed with 90.66% accuracy. Moreover, as a result of implementing the algorithm on each feature, the influence of the features on measuring anxiety and clustering of clients was determined. Conclusion: The FCM algorithm diagnosed the anxiety of clients with a high accuracy. Segmenting patients by the clustering approach and based on the important features can be a dependable instrument for psychiatrists to make a decision in diagnosing the severity of anxiety in the early stages.
کلیدواژه‌های انگلیسی مقاله Cluster Analysis,Fuzzy Logic,Anxiety
نویسندگان مقاله فرشته پارساپور |
استادیار، علوم اعصاب، گروه روان‌شناسی بالینی، دانشکده روان‌شناسی، واحد کرج، دانشگاه آزاد اسلامی، البرز، ایران

جاوید پیمانی |
دکتری تخصصی، مدیریت فن‌آوری اطلاعات، گروه مدیریت فن‌آوری اطلاعات، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

محمد خان‌بابایی |


نشانی اینترنتی http://him.mui.ac.ir/index.php/him/article/view/4139
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/110/article-110-2481960.pdf
کد مقاله (doi) 10.22122/him.v17i3.4139
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات