مجله دانشگاه علوم پزشکی ایلام، جلد ۲۵، شماره ۴، صفحات ۱۷۱-۱۷۸
عنوان فارسی تخمین درصد چربی بدن افراد با استفاده از تکنیک ‌های یاد گیری ماشین
چکیده فارسی مقاله  مقدمه: پزشکان با استفاده از دستگاه BIA (Bioelectrical Impedance  Analysis) نسبت 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 اطلاعات بیماران مراجعه کننده به یکی از کلینیک های تغذیه درشهرتهران است. این مجموعه دارای 400 رکورد است که از آنها برای آزمایش و ارزیابی شبکه عصبی پرسپترون چندلایه 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 5.2 واحد 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 93% می­باشد. 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 کاوی برای این منظور استفاده می کند، برای تخمین دقیق درصد چربی از دقت بالایی برخوردار بوده و می­تواند به عنوان یک ابزار کارآمد مورد استفاده قرار گیرد. استفاده از راهکار پیشنهادی می­ تواند نیاز به دستگاه BIA یا روش­ های مشابه دیگر به منظور تخمین درصد چربی بدن را بر طرف نماید.  
کلیدواژه‌های فارسی مقاله الگوریتم یاد گیری، درصد چربی بدن، داده‌کاوی، شبکه عصبی
عنوان انگلیسی Stimated Body Fat Percentage using Mechine Learning Techniques
چکیده انگلیسی مقاله  Introduction: Doctors undertake calculation of body fat percentage by using BIA (Bioelectrical Impedance Analysis) equipment. In this study, we measured body fat percentage without using equipment. For this purpose, an artificial neural network has been used to estimate the exact amount of fat.   Materials & methods: The sample was selected from patients admitted in a nutrition clinic in Tehran. 400 patients took part in this study. MLP neural network was used to estimate body fat percentage. The used neural network had five input neurons and ten neurons in the hidden layer. Also, cross validation method for evaluating the proposed method has been used.   Findings: The proposed method is efficient because of the results that demonstrate 2.5 units error based on cross validation. The results of experiments show that the proposed neural network for estimating body fat percentages has an average accuracy of 93%. Therefore the proposed method can accurately estimate body fat percentage of people with very high accuracy.   Discussion & conclusions: The results of this research show that the proposed method as the first method used in machine learning technique, can estimate fat percentage with high accuracy. This method can be used as a useful method without using BIA device.    
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله رسمیه عسگری | rasmiyeh asgari
dept of computer, islamic azad university, ilam branch, ilam, iran
گروه کامپیوتر، دانشگاه آزاد اسلامی، واحد ایلام، ایلام، ایران
سازمان اصلی تایید شده: دانشگاه آزاد اسلامی ایلام (Islamic azad university of ilam)

محمدرضا ولی زاده | mohammad reza valizadeh
dept of computer, faculty of engineering, ilam university, ilam, iran
گروه کامپیوتر، دانشکده فنی، دانشگاه ایلام، ایلام، ایران
سازمان اصلی تایید شده: دانشگاه ایلام (Ilam university)

کوروش جعفریان | korosh jafariyan
dept of nutrition, faculty of nutrition and dietetics, tehran university of medical sciences, tehran, iran
گروه تغذیه، دانشکده علوم تغذیه و رژیم شناسی، دانشگاه علوم پزشکی تهران , تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی تهران (Tehran university of medical sciences)

نشانی اینترنتی http://sjimu.medilam.ac.ir/browse.php?a_code=A-10-3402-1&slc_lang=fa&sid=fa
فایل مقاله دریافت فایل مقاله
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده عمومی
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات