مدیریت اطلاعات سلامت

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

سیاست آرشیو و نگهداری داده ها

راهنمای نویسندگان

فرم ها

هزینه انتشار

راهنمای داوران

به کارگیری الگوریتم خوشه‌بندی C- میانگین فازی در تشخیص میزان اضطراب

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد، روان‌شناسی بالینی، گروه روان‌شناسی بالینی، دانشکده روان‌شناسی، واحد کرج، دانشگاه آزاد اسلامی، البرز، ایران

2 استادیار، علوم اعصاب، گروه روان‌شناسی بالینی، دانشکده روان‌شناسی، واحد کرج، دانشگاه آزاد اسلامی، البرز، ایران

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

چکیده

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.

کلیدواژه‌ها

عنوان مقاله [English]

Using Fuzzy C-means Clustering Algorithm to Diagnose the Severity of Anxiety

نویسندگان [English]

  • Fereshteh Parsapour 1
  • Javid Peymani 2
  • Mohammad Khanbabaei 3

1 MSc, Clinical Psychology, Department of Clinical Psychology, School of Psychology, Karaj Branch, Islamic Azad University, Alborz, Iran

2 Assistant Professor, Neuroscience, Department of Clinical Psychology, School of Psychology, Karaj Branch, Islamic Azad University, Alborz, Iran

3 PhD, Information Technology Management, Department of Information Technology Management, School of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran

چکیده [English]

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.

کلیدواژه‌ها [English]

  • Cluster Analysis
  • Fuzzy Logic
  • Anxiety
مراجع
  1. Mukherjee S, Ashish K, Hui N, Chattopadhyay S. Modeling depression data: Feed forward neural network vs. radial basis function neural network. Am J Biomed Sci 2014; 6(3): 166-74.
  2. Wittchen HU, Jacobi F. Size and burden of mental disorders in Europe--a critical review and appraisal of 27 studies. Eur Neuropsychopharmacol 2005; 15(4): 357-76.
  3. Wittchen HU, Kessler RC, Beesdo K, Krause P, Hofler M, Hoyer J. Generalized anxiety and depression in primary care: prevalence, recognition, and management. J Clin Psychiatry 2002; 63(Suppl 8): 24-34.
  4. Jegan C. Heart attack prediction system using fuzzy C means classifier. IOSR J Comput Eng 2013; 14(2): 23-31.
  5. Jooriyan N, Ashoori M. Predicting the effectiveness of preeclampsia medications based on dose and method of drug consumption using data mining. Iran J Obstet Gynecol Infertil 2014; 17(123): 13-22.
  6. de Oliveira JV, Pedrycz W. Advances in fuzzy clustering and its applications. Chichester, UK: John Wiley and Sons; 2007. p. 3-424.
  7. Pedrycz W. Knowledge-Based Clustering: From Data to Information Granules. Hoboken, NJ: John Wiley and Sons; 2005. p. 1-297.
  8. Ghanbari H, Safaeian M, Toozandeh Jani H, Talebian Sharif J. Application of fuzzy sets in psychological studies. Proceedings of the International Conference on Psychology, Consultation and Education; 2017 Mar 21; Mashhad, Iran. p. 86-374. [In Persian].
  9. Dubois D, Prade H. Fundamentals of Fuzzy Sets. New York, NY: Springer US; 2012. p. 4-637
  10. Shojaei Estabragh Z, Riahi Kashani MM, Jeddi Moghaddam F, Sari S, Taherifar Z, Moradi Moosavy S, et al. Bayesian network modeling for diagnosis of social anxiety using some cognitive-behavioral factors. Netw Model Anal Health Inform Bioinform 2013; 2(4): 257-65.
  11. Malladi S. An approach of artificial neural networks for prediction of generalized anxiety disorder. Int J Res Comput Appl Robot 2015; 33(3): 118-24.
  12. Sau A, Bhakta I. Screening of anxiety and depression among the seafarers using machine learning technology. Inform Med Unlocked 2019; 16: 100228.
  13. Yang MS, Hwang PY, Chen DH. Fuzzy clustering algorithms for mixed feature variables. Fuzzy Set Syst 2004; 141(2): 301-17.
  14. Yu V, Lin YH. Applications of fuzzy theory on health care: an example of depression disorder classification based on FCM. WSEAS Trans Inf Sci Appl 2008; 5(1): 31-6.
  15. Hasanpour H, Asadi S, Ghavamizadeh MR, Daraeian A, Ahmadiani A, Shams J, et al. A critical appraisal of heterogeneity in Obsessive-Compulsive Disorder using symptom-based clustering analysis. Asian J Psychiatr 2017; 28: 89-96.
  16. Pourmohammadi S, Maleki A. A fuzzy C-means clustering approach for continuous stress detection during driving. Signal and Data Processing 2018; 14(4): 129-42. [In Persian].
  17. Hossein KH, Mousavi AS. Psychometric properties of the Persian version of Beck Anxiety Inventory (BAI). Tehran Univ Med J 2008; 66(2): 136-40. [In Persian].
  18. Golden J, Conroy RM, O'Dwyer AM. Reliability and validity of the Hospital Anxiety and Depression Scale and the Beck Depression Inventory (Full and Fast Screen scales) in detecting depression in persons with hepatitis C. J Affect Disord 2007; 100(1-3): 265-9.
  19. Blacker D. Psychiatric Rating Scales. In: Sadock BJ, Sadock V, editors. Comprehensive textbook of psychiatry. 8th ed. Philadelphia, PA: Lippincott Williams and Wilkins; 2005. p. 929-59.
  20. Bezdek JC. Cluster validity with fuzzy sets. Journal of Cybernetics 1973; 3(3): 58-73.
  21. Beck AT, Steer RA. Manual for the Beck Anxiety Inventory. San Antonio, TX: Psychological Corporation; 1990.
  22. Fazel Zarandi MH, Faraji MR, Karbasian M. An exponential cluster validity index for fuzzy clustering with crisp and fuzzy data. Scientia Iranica 2010; 17(2): 95-110.
  23. Ghazanfari M, Alizadeh S, Teimorpour B. Data mining and knowledge discovery. 2nd ed. Tehran, Iran: Publication of Iran University of Science and Technology; 2011. p. 14-398. [In Persian].
  24. Han J, Kamber M, Pei J. Data mining: Concepts and techniques. Waltham, MA: Morgan Kaufmann Publishers; 2012. p. 1-625.
  25. Cardenas F, Hernandez E, Zenil A, Redondo A. Application method of data mining using the K means algorithm for the determination of stress level in high school students using the Beck Depression Inventory. Ciencia Huasteca Boletin Cientifico de la Escuela Superior de Huejutla 2020; 8(15): 1-8.
  26. Iliou T, Konstantopoulou G, Stephanakis I, Anastasopoulos K, Lymberopoulos D, Anastassopoulos G. Iliou machine learning data preprocessing method for stress level prediction. In: Iliadis L, Maglogiannis I, Plagianakos V, editors. Artificial intelligence applications and innovations. Cham, Switzerland: Springer International Publishing; 2018 p. 351-61.
  27. Husain W, Xin LK, Rashid NA, Jothi N. Predicting generalized anxiety disorder among women using random forest approach. Proceedings of the 3rd International Conference on Computer and Information Sciences (ICCOINS); 2016 Aug 15-17s; Kuala Lumpur, Malaysia. p. 37-42.
مدیریت اطلاعات سلامت
دوره 17، شماره 3 - شماره پیاپی 3
شهریور 1399
صفحه 97-103
فایل ها
هم رسانی
ارجاع به این مقاله
آمار