การจำแนกการมีภาวะเสี่ยงสูงต่อโรคความดันโลหิตสูงด้วยเครื่องจักรการเรียนรู้เอ็กซ์ทรีม

Abstract

บทความนี้ได้เสนอวิธีการจำแนกประชากรภาวะเสี่ยงสูงต่อโรคความดันโลหิตสูง (prehypertension) ด้วยเครื่องจักรการเรียนรู้เอ็กซ์- ทรีม (Extreme Learning Machine: ELM) ซึ่งเป็นขั้นตอนวิธีที่มีข้อดีในด้านความเร็วในการเรียนรู้ และมีความถูกต้องสูงในการจำแนกประเภท วัตถุประสงค์เพื่อเป็นเครื่องมือช่วยในการวิเคราะห์ข้อมูลทางการแพทย์อีกทางหนึ่ง ในการจำแนกกลุ่มเสี่ยงโรคความดันโลหิตสูง โดยได้ทดลองเปรียบเทียบประสิทธิภาพความถูกต้องกับตัวแบบโครงข่ายประสาทเทียมแบบดั้งเดิมที่นิยมใช้ในปัจจุบัน ได้แก่ โครงข่ายประสาทเทียมแบบมัลติเลเยอร์เพอร์เซ็บตรอนแบบแพร่ย้อนกลับ (MLP-BP) และโครงข่ายประสาทเทียมแบบมัลติเลเยอร์เพอร์เซ็บตรอนแบบเลเวนเบิร์ก-มาร์ควอร์ท (MLP-LM) โดยชุดข้อมูลที่นำมาใช้ในการทดลอง ใช้ข้อมูลจากการคัดกรองกลุ่มเสี่ยงของประชากรที่มีอายุตั้งแต่ 15 ปี ขึ้นไป ในเขตพื้นที่ ตำบลเจริญศิลป์ อำเภอเจริญศิลป์ จังหวัดสกลนคร ปีงบประมาณ 2555 ซึ่งมีจำนวนปัจจัยทั้งหมด 12 ปัจจัย ใช้จำนวนข้อมูลทั้งหมด 2,987 ระเบียน ผลการทดลองพบว่า ค่าความถูกต้องในการจำแนกประชากรที่มีภาวะเสี่ยงสูงต่อโรคความดันโลหิตสูง แบบ ELM ให้ความถูกต้องการจำแนกข้อมูลมากที่สุด (คิดเป็น 90.95 เปอร์เซ็นต์โดยเฉลี่ย)

Extreme Learning Machine for Pre-Hypertension Classification

This paper proposes a method to classify the high-risk populations for Prehypertension with Extreme Learning Machine (ELM). An important advantage of ELM algorithm is fast learning, and it also provides a higher accuracy to the classification problem. This research aims to study ELM for as a tool to analyze the medical data. We compare the accuracy performance of the classification of Pre-Hypertension with the traditional model such as Multilayer Perceptron-Backpropagation (MLP-BP), and Multilayer Perceptron-Levenberg-Marquardt (MLP-LM). Data sets used in the experiments are the screening risk groups of the population Age 15 years and over and located in Charoensin District, Sakon Nakhon Province, fiscal year 2012 between October and September 2011 and 2012. Those data set have 12 factors, 2,987 samples. The experimental results showed that ELM gave the highest accuracy performance (90.95 percent as average).