Professional Documents
Culture Documents
Sjimu v25n4p171 en
Sjimu v25n4p171 en
تخمین درصد چربی بدن افراد با استفاده از تکنیک های یاد گیری ماشین
2
رسمیه عسگری ،1محمد رضا ولی زاده ،*2کوروش جعفریان
چکیده
مقدمه :پزشکان با استفاده از دستگاه Analysis) BIA (Bioelectrical Impedanceنسبت به محاسبه درصد چربی بدن افراد مبادرت
می نمایند .مطالعه حاضر با هدف تخمین درصد چربی بدن افراد بدون استفاده از دستگاه صورت گرفته است .در این پژوهش سعی شده
است که با استفاده از شبکه عصبی به پیش بینی میزان چربی بدن افراد پرداخته شود.
مواد و روش ها:داده مورد استفاده در این تحقیق اطالعات بیماران مراجعه کننده به یکی از کلینیک های تغذیه درشهرتهران است .این
مجموعه دارای 022رکورد است که از آنها برای آزمایش و ارزیابی شبکه عصبی پرسپترون چندالیه برای تخمین درصد چربی بدن افراد
استفاده شده است .شبکه عصبی مورد استفاده دارای پنج نرون ورودی و ده نرون میانی است .هم چنین از روش ارزیابی متقاطع برای
سنجش کارایی روش پیشنهادی این تحقیق استفاده شده است.
یافته های پژوهش :نتایج نشان دهنده 0.9واحد خطا بر اساس روش ارزیابی متقاطع است که بیان کننده کارایی روش پیشنهادی
است .نتایج آزمایش ها نشان میدهد که شبکه عصبی پیشنهادی برای تخمین درصد چربی بدن افراد دارای دقت میانگین %59میباشد.
بنابراین روش پیشنهادی می تواند میزان دقیق درصد چربی بدن افراد را به خوبی تخمین بزند.
بحث و نتیجه گیری :نتایج حاصل از این تحقیق نشان می دهد که روش پیشنهاد شده به عنوان اولین روشی که از تکنیک های داده
] [ Downloaded from sjimu.medilam.ac.ir on 2024-04-19
کاوی برای این منظور استفاده می کند ،برای تخمین دقیق درصد چربی از دقت باالیی برخوردار بوده و میتواند به عنوان یک ابزار کارآمد
مورد استفاده قرار گیرد .استفاده از راهکار پیشنهادی می تواند نیاز به دستگاه BIAیا روش های مشابه دیگر به منظور تخمین درصد
چربی بدن را بر طرف نماید.
واژه های کلیدی :الگوریتم یاد گیری ،درصد چربی بدن ،دادهکاوی ،شبکه عصبی
* نویسنده مسئول :گروه کامپیوتر ،دانشکده فنی ،دانشگاه ایالم ،ایالم ،ایران
] [ DOI: 10.29252/sjimu.25.4.171
Email: mr.valizadeh@ilam.ac.ir
Copyright © 2017Journal of Ilam University of Medical Science. This is an open-access article distributed
under the terms of the Creative Commons Attribution international 4.0 International License
(https://creativecommons.org/licenses/by-nc/4.0/) which permits copy and redistribute the material, in any medium or
format, provided the original work is properly cited.
171
تخمین درصد چربی بدن افراد با استفاده از تکنیک های یاد گیری ماشین ...محمد رضا ولی زاد و همکاران
های عـصبی نامیـد .از شبکه عصبی در پزشکی به استفاده از تکنیک های یادگیری ماشین یک مدل
صورت گسترده ای استفاده شده است .جوتیسونی و کارآمد برای تخمین درصد چربی بدن ارائه شود .هدف
همکارن درسال 0211از شبکه عصبی برای پیش بینی ما از این تحقیق پیش بینی و تخمین درصد چربی بدن
بیماری قلبی استفاده کردند ( .)9آن ها از مجموعه داده با استفاده از تکنیک های یاد گیری ماشین است؛ به
ای که راج کومار آماده کرده بود استفاده کردند (.)6 طوری که بتوان با استفاده از راهکار های پیشنهادی در
برای ارزیابی سیستم پیشنهادی از روش ارزیابی متقاطع هزینه و زمان صرف شده برای تخمین درصد چربی
( )Cross validationاستفاده شده که نتایج در مقایسه بدن صرفه جویی کرد .داده کاوی فرآیندی است
با سیستم های قبلی رضایت بخش بوده است .در ( )7از خودکار برای استخراج الگو هایی که دانش را بازنمایی
روش های مختلف از جمله شبکه عصبی برای پیش میکنند ،که این دانش به صورت ضمنی در پایگاه داده
بینی سرطان سینه استفاده شده است .آن ها از روش های عظیم ،انباره داده و دیگر مخازن بزرگ اطالعات
ارزیابی متقاطع برای بررسی کارایی سیستم خود ذخیره شده است .داده کاوی ،به طور همزمان از چندین
استفاده نمودند .صادق کارا و همکاران ( )9در تشخیص رشته علمی ،نظیر :تکنو لوژی پایگاه داده ،هوش
بیماری عصب بینایی برای تجزیه و تحلیل آزمایش ها مصنوعی ،یادگیری ماشین ،شبکه های عصبی ،آمار،
از شبکه عصبی مصنوعی استفاده کردند .نتایج پایانی شناسایی الگو ،سیستم های مبتنی بر دانش ،بازیابی
به عنوان سالم و بیمار طبقه بندی شدند .کومار و اطالعات ،محاسبات سرعت باال و بازنمایی بصری داده
] [ DOI: 10.29252/sjimu.25.4.171
همکاران از جنگل های تصادفی وشبکه عصبی برای بهره می برد ( . )9،0شبکه عصبی ،یکی از ابزارهای
تشخیص بیماری سنگ کلیه استفاده کردند ( .)5در این داده کاوی برای پیش بینی با طبقه بندی داده ها می -
تحقیق با استفاده از شبکه عصبی چند الیه مدل چاقی باشد و در این تحقیق به منظور پیش بینی میزان درصد
افراد جامعه استخراج می شود .این کار با استفاده از داده چربی بدن افراد استفاده شده است .شبکه های عصبی
170
دوره بیست و پنج ،شماره چهارم ،آبان 96 مجله علمی پژوهشی دانشگاه علوم پزشکی ایالم
پوشش داده شود تا دقت مدل پیشنهادی به حداکثر های جمع آوری شده از افراد مراجعه کننده به کلینیک
برسد .به منظور تخمین میزان دقیق درصد چربی بدن، تغذیه امکان پذیر شده است .نتایج نشان دهنده کارایی
از یک شبکه عصبی پروسپترون با یک الیهی مخفی روش پیشنهادی است.
استفاده شد .این شبکه عصبی در الیه ی مخفی خود
دارای 12نرون بوده و تابع انتفال این الیه از نوع مواد و روش ها
سیگموید است .تعداد نرون های الیه ورودی مطابق با داده های مورد استفاده در این تحقیق از بیماران
تعداد خصوصیات هر نمونه و برابر با پنج تعیین گردید. مراجعه کننده به یکی از کلینیک ها تغذیه شهر تهران
هم چنین یک نرون در الیه خروجی قرار گرفت. از تاریخ شهریور 1959تا اسفند 1950جمع آوری
ساختار این شبکه در شکل ( )1نمایش داده شده است. گردید .این پایگاه داده شامل 022رکورد داده مربوط به
افراد مراجعه کننده بود .در پایگاه داده مورد استفاده،
سعی شد که تمامی محدوده ها برای داده های موجود
] [ Downloaded from sjimu.medilam.ac.ir on 2024-04-19
شکل ( -)1ساختارشبکه عصبی پیشنهادی دراین تحقیق برای تخمین مقدار درصد چربی بدن
شبکه به سمت صفر عمل یاد گیری شبکه را انجام داد. در مدل شبکه عصبی ،پیش از آغاز عمل آموزش،
به منظور ارزیابی دقیق عملکرد مدل پیشنهادی از داده های پایگاه داده نرمال سازی شدند .به منظور
روش ارزیابی متقاطع ( )cross validationکه از نرمال سازی داده ها ،ابتدا صفت جنسیت که تنها صفت
معروف ترین روش های ارزیابی در حوزه داده کاوی اسمی پایگاه داده بود با مقادیر عددی جایگزین گردید.
است ،استفاده شد .در این روش ،داده ها به چندین مقدار «مذکر» ،با عدد یک و «مؤنث» با عدد صفر
بخش ( به طور مثال )nشکسته شده و هر بار با n-1 جایگزین شدند .تمامی مقادیر پایگاه داده با استفاده از
بخش ،آموزش داده شد و با یک بخش ارزیابی گردید. رابطه زیر نرمال سازی شدند.
سپس میانگین نتایچ مورد استناد قرار گرفت .در این رابطه (: )1
تحقیق از روش ارزیابی متقاطع با n=10استفاده شد .از
مقدار نرمال شده صفت i در رابطه (،)1
پارامتر های مهمی که برای ارزیابی متقاطع محاسبه
و مقادیر صفت iام در پایگاه داده و ام،
شد ،میانگین مربعات خطا بود که با میانگین مجذور
مقادیر ماکزیمم و مینیمم برای این صفت در
] [ DOI: 10.29252/sjimu.25.4.171
179
تخمین درصد چربی بدن افراد با استفاده از تکنیک های یاد گیری ماشین ...محمد رضا ولی زاد و همکاران
هم چنین معیار مجموع مربعات خطا بیانگر مجذور در این رابطه N ،برابر با تعداد نمونه های آزمایش
خطای کلی تولید شده توسط سیستم است و با استفاده شده (داده های تست در ده دور آزمایش در نظر گرفته
از رابطه ( )0محاسبه شد: برابر با درصد چربی تخمین زده شده شده است)،
رابطه ()0 مقدار برای نمونه iام توسط روش پیشنهادی و
قابل ذکر است که پیاده سازی مدل پیشنهادی و درصد چربی واقعی نمونه iام میباشد .هم چنین معیار
آزمایش آن در محیط نرم افزار MATLABانجام میانگین قدر مطلق خطا از طریق میانگین اختالف بین
شد. مقدار درصد چربی واقعی بدن افراد و مقدار تخمین زده
شده توسط روش پیشنهادی محاسبه شد و توسط رابطه
یافته های پژوهش ( )9تعیین گردید:
پایگاه داده مورد استفاده برای ارزیابی عملکرد رابطه (: )9
روش مطالعه پیشنهادی شامل 022رکورد داده در مورد
اطالعات جسمی افراد بود .که این اطالعات در جدول
( )1نمایش داده شده است.
جدول ( -)1مشخصات پایگاه داده مورد استفاده برای آموزش وارزیابی شبکه عصبی
انحراف معیار میانگین کمینه بیشینه عنوان
1255 9950 19 77 سن (برحسب سال)
951 16050 109 195 قد (سانتی متر)
1759 9259 9559 16950 وزن (کیلو گرم)
650 9259 1057 9251 ( BMIکیلو گرم/متر)
- - - - جنسیت
] [ Downloaded from sjimu.medilam.ac.ir on 2024-04-19
دسته مذکر و مؤنث تقسیم بندی می کند .در پایگاه در جدول شماره ، 1ستون عنوان مشخص کننده نام
داده مورد استفاده ،جنسیت مؤنت به عدد 2و جنسیت ویژگی های موجود در پایگاه داده و ستون بیشینه نشان
مذکر با عدد 1مشخص شده است .هدف از انجام دهنده بیش ترین مقدار موجود در پایگاه داده برای هر
روش مطالعه پیشنهادی ،رسیدن به کم ترین اختالف ویژگی است .هم چنین ستون کمینه کم ترین مقدار هر
بین میزان درصد چربی واقعی فرد و مقدار تخمین زده ویژگی در پایگاه داده را نشان می دهد و ستون
شده توسط مدل پیشنهادی می باشد .به همین منظور میانگین مشخص کننده میانگین مقادیر ویژگی های
معیار های میانگین مربعات خطا و میانگین قدرمطلق نمایش داده شده است .سن فرد در زمان مراجعه به
خطا ( )Mean Absolute Errorبرای ارزیابی کارایی پزشک بر حسب سال شمسی بوده و مشخصات قد و
مدل پیشنهادی ،استفاده شد .میانگین مربعات خطا وزن به ترتیب بر حسب سانتی متر و کیلو گرم می -
برای داده های آموزش و اعتبار سنجی در هر دوره باشند BMI )Body Mass Index( .نشان دهنده
تکرار آموزش شبکه عصبی پیشنهادی در نمودار ()1 شاخص توده بدن است و با تقسیم وزن بدن بر مجذور
نمایش داده شده است. محاسبه می شود .هم چنین قد هر فرد
] [ DOI: 10.29252/sjimu.25.4.171
170
دوره بیست و پنج ،شماره چهارم ،آبان 96 مجله علمی پژوهشی دانشگاه علوم پزشکی ایالم
نمودار ( -)1نمودار تغییرات میانگین مربعات خطا در هر دوره تکرار آموزش شبکه عصبی
کرده و نتیجه آموزش خاتمه یافته است .در نمودار ()0 در این مطالعه ،برای بهبود عملیات تخمین از داده
داده های مربوط به درصد چربی بدن افراد و مقدار های اعتبار سنجی نیز استفاده شده است .داده های
تخمین زده شده توسط شبکه عصبی در تمام آزمایش اعتبار سنجی در حین عملیات آموزش و پس از انتهای
ها نمایش داده شده است .این نتایج ،حاصل 12بار هر دور آموزش ،به منظور میزان پیشرفت فرآیند
تکرار عملیات آموزش و آزمون شبکه عصبی می باشد آموزش شبکه عصبی استفاده می شود .نمودار ( )1نشان
] [ Downloaded from sjimu.medilam.ac.ir on 2024-04-19
که در انتهای آزمون تمامی داده ها با هم ترکیب شده و می دهد که میانگین مربعات خطای شبکه عصبی پس
نتایج تکرار های مختلف درکنار هم نمایش داده شده از 9دور تکرار به مقدار کم ترین مقدار خود یعنی
است. 95990رسیده است .پس از چرخه 99شبکه عصبی
خطای بیش تری را برای داده های اعتبار سنجی تولید
] [ DOI: 10.29252/sjimu.25.4.171
نمودار ( -)2داده های مربوط به درصد چربی بدن افراد و مقدار تخمین زده شده توسط شبکه عصبی
خطای شبکه عصبی در تخمین دقیق درصد چربی بدن در نمودار ( ،)0مقادیر واقعی به صورت نقاط مشکی
نا چیز می باشد .برای محاسبه خطای تخمین ،میزان و مقادیر خروجی شبکه عصبی به صورت دایره نمایش
واقعی درصد چربی نمونه ها را از مقدار تخمین زده داده شده است .این نقاط بر هم منطبق بوده و میزان
179
تخمین درصد چربی بدن افراد با استفاده از تکنیک های یاد گیری ماشین ...محمد رضا ولی زاد و همکاران
چربی بدن به ازای هر نمونه خواهد بود و در نمودار ()9 شده توسط شبکه عصبی کسر شده اند که مقادیر
فابل مشاهده است. حاصل ،خطای شبکه عصبی در تخمین میزان دقیق
نتایج حاصل از نمودار ( )9نشان می دهد که در بد ترین حالت شبکه عصبی مورد استفاده در مطالعه حاضر ،درصد
چربی بدن افراد را با 15/9درصد اختالف و به طور میانگین با اختالف 0/9واحد با دقت 59%تخمین می زند .با نگاه
دقیق تر به عملکرد روش پیشنهادی در تخمین درصد چربی بدن ،از طریق محاسبه پارامتر های خطا امکان پذیر است
که در جدول ( )0پارامتر های استخراج شده برای خطا در 12تکرار آزمایش انجام شدند.
هوش مصنوعی و ابزار یاد گیری ماشین برای پیش نتایج جدول ( )0نشان میدهد که میانگین خطای
بینی درصد چربی بدن انسان ،مطالعات اندکی در دنیا شبکه 059واحد برای درصد چربی بدن است که با
انجام شده است .در سال 0219آقای کاپوسینک و توجه به میانگین 9950واحدی درصد چربی بدن افراد،
همکاران از شبکه عصبی برای پیش بینی درصد چربی خطایی قابل قبول بوده و بنا بر این مدل پیشنهادی
بدن انسان استفاده کردند که خصوصیت های ورودی دارای دقت بسیار خوب ( )%59می باشد.
شبکه آن ها سه مورد جنسیت ،سن و BMIبود .درصد
دقت کاراین مطالعه ،میزان % 92509تخمین داده شد بحث و نتیجه گیری
( .)12در مطالعه حاضر ار پنج خصوصیت به عنوان با آگاهی از این موضوع که وجود چربی بیش از حد
ورودی شبکه استفاده و دقت کار به میزان %59به استاندار در بدن انسان ،عامل به وجود آورنده بسیاری از
دست آمد .با وجود آن که تعداد نمونه های آقای بیماری ها می باشد ،لذا محاسبه ی درصد چربی بدن
کاپوسینک و همکاران خیلی بیش تر (در حدود )0722 انسان بسیار با اهمیت خواهد بود که پزشکان با استفاده
] [ DOI: 10.29252/sjimu.25.4.171
از مطالعه اخیر است اما دارای دقت کم تری است که از تجهیزات خاص به محاسبه آن می پردازند .بنا بر
دلیل آن انتخاب تعداد خصوصیات ورودی شبکه است این ،ابزار پیش گویی کننده درصد میزان چربی ،نقش
که در تحقیق حاضر ،بیش تر است. مهمی در سالمت افراد دارند و در پیشگیری بسیاری از
بیماری های مزمن موثر واقع می شوند .استفاده از
176
96 آبان، شماره چهارم،دوره بیست و پنج مجله علمی پژوهشی دانشگاه علوم پزشکی ایالم
نتایج این مطالعه نشان داد که مدل.محاسبه کرد تحقیقات متعددی برای محاسبه درصد میران پربی
استفاده شده برای تخمین دقیق درصد چربی بدن از روش های،در دنیا انجام شده است اما در هیچ کدام
انسان از دقت بسیار باالیی برخوردار است و به عنوان کوهن و همکاران.هوش مصنوعی استفاده نشده است
با.یک ابزار کار آمد اندازه گیری پیشنهاد می شود از روش بایو امپدانس برای پیش بینی میزان چربی در
دیگر نیازی به استفاده از دستگاه،استفاده از این مدل دانش آموزان هندی استفاده کردند که این روش ار
به منظوراندازه. نیست، یا روش های مشابه دیگرBIA مستلزم ابزار و صرف،مقایسه با روش مطالعه حاضر
ادامه تحقیقات مطالعه،گیری میزان واقعی چربی بدن در مطالعه نورادیاله و همکاران در.)11( هزینه است
اخیر در آینده با استفاده از الگوریتمهای خوشه بندی دانش آموز162 کشور مالی محاسبه درصد میزان چربی
هم چنین استفاده از سایر الگوریتم.پیشنهاد می شود بر اساس روش اندازه گیری ضخامت پوست و تحلیل
های یاد گیر مانند ماشین بردار پشتیبان یا شبکه های امپدانس بیو الکتریک انجام شد که روشی بسیار وقت
در زمینه، )Fuzzy Neural Network( عصبی فازی به منظور تخمین میزان دقیق.)10( گیر و پر هزینه بود
به.سنجش درصد چربی بدن می توانند سودمند باشند از یک شبکه،درصد چربی افراد در روش مطالعه حاضر
طور کلی استفاده از تکنیک های یاد گیری در علم عصبی پروسپترون با یک الیه مخفی استفاده شد که
پزشکی بسیار مفید بوده و استفاده از آن ها تشخیص توانست عمل تخمین درصد چربی بدن را با میانگین
بیماری ها یا سیستم های توصیه گر پیشگیری از در این روش با. واحدی اندازه گیری کند059 خطای
. پیشنهاد می گردد،بیماری بر اساس مشخصات افراد ازBMI جنسیت و، وزن، قد،اخذ داده های سن
شبکه عصبی آموزش دیده درصد چربی را،مریض
References
[ Downloaded from sjimu.medilam.ac.ir on 2024-04-19 ]
1.Myint PK, Kwok CS, Luben RN, three data mining methods. Art Intell Med
Wareham NJ, Khaw KT. Body fat 2005; 34:113-127.
percentage body mass index and waist-to- 8.Kara S,Guvenb A, Oner AO. Utilization
hip ratio as predictors of mortality and of artificial neural networks in the diagnosis
cardiovascular disease. Heart 2014 of optic nerve diseases. Comp Bio Med
Oct;100:1613-9. 2006; 36:428-37.
2.Mohammadi S, Shakerhosseini R, 9.Kumar M. Prediction of chronic kidney
Rastmanesh R, Jafarian K, Amiri Z, disease using random forest machine
Jahangir F. [Effects of melatonin learning algorithm. Int J Comp Sci Mob
supplementation on weight and body fat Com 2016; 5:24-33.
mass percentage in overweight or obese 10. Kupusinac A,Stokic E, Doroslovacki R,
people]. JQUMS 2015; 19:24-31. (Persian) Predicting body fat percentage based on
3.Hand D, Mannila H, Smyth P. Principles gender age and BMI by using artificial
of Data Mining.1th ed. MIT neural networks. Comput Meth Prog
Publication.2001; P.128-15. Biomed 2014; 113: 610-9.
4.Han J, Kamber M, Pei J. Data Mining 11.Kehoe SH, Krishnaveni GV, Lubree
concepts and techniques. 3th ed. Elsevier HG, et al. Prediction of body fat percentage
Publication. 2012; P.368- 75. from skinfold and bio impedance
5.Soni J, Ansari U, Sharma D, Soni S. measurements in Indian school
Predictive data mining for medical children. European J Clin Nutrition 2011;
diagnosis an overview of heart disease 65:1263-70.
[ DOI: 10.29252/sjimu.25.4.171 ]
prediction. IJCSE 2011; 17:43-8. 12. Noradilah MJ. Assessing body fat of
6. Rajkumar A, Reena GS. Diagnosis of children by skinfold thickness, bioelectrical
heart disease using data mining algorithm. impedance analysis, and dual energy x-ray
GJCST 2010; 10:38-43. absorptiometry a validation study among
7.Dursun D, Walker G, Amit, K. Predicting malay children aged 7 to 11 years. Asia
breast cancer survivability: a comparison of Pac J Public Health 2016; 28: 74-84.
177
محمد رضا ولی زاد و همکاران...تخمین درصد چربی بدن افراد با استفاده از تکنیک های یاد گیری ماشین
Abstract
Introduction: Doctors undertake units error based on cross validation. The
calculation of body fat percentage by using results of experiments show that the
BIA (Bioelectrical Impedance Analysis) proposed neural network for estimating
equipment. In this study, we measured body body fat percentages has an average
fat percentage without using equipment. For accuracy of 93%. Therefore the proposed
this purpose, an artificial neural network method can accurately estimate body fat
has been used to estimate the exact amount percentage of people with very high
of fat. accuracy.
Materials & methods: The sample was Discussion & conclusions: The results of
selected from patients admitted in a this research show that the proposed
nutrition clinic in Tehran. 400 patients took
method as the first method used in machine
part in this study. MLP neural network was
learning technique, can estimate fat
used to estimate body fat percentage. The percentage with high accuracy. This method
used neural network had five input neurons
can be used as a useful method without
and ten neurons in the hidden layer. Also, using BIA device.
cross validation method for evaluating the
proposed method has been used. Keywords: Learning algorithm, Body fat
percentage, Data mining, Neural network
Findings: The proposed method is efficient
[ Downloaded from sjimu.medilam.ac.ir on 2024-04-19 ]
179