fa سیستم ANFIS: الگوریتمی برای تشخیص و طبقه بندی سطوح افسردگی سالمندان مسائل ذهنی و روانشناختی سالمندان Eldely mental and psychological issues پژوهشي اصیل Original research <strong>مقدمه:</strong> تشخیص و طبقه بندی افسردگی به عنوان شایعترین اختلال روانشناختی غیرطبیعی در سالمندان کمتر مورد توجه قرار گرفته است. هدف تحقیق استفاده از سیستم <span dir="LTR">ANFIS</span> برای پردازش خودکار اطلاعات به منظور ارائه الگوریتم مناسب برای پیش بینی افسردگی سالمندان بود.<br> <strong>روش کار:</strong> مطالعه کاربردی حاضر در مرکز نگهداری سالمندان شهرستان گنبد کاووس انجام شد. تعداد 30 سالمند به عنوان نمونه در دسترس انتخاب و داده ها به روش مصاحبه بالینی و استفاده از مقیاس <span dir="LTR">GDS</span> جمع آوری گردید. از نرم افزار <span dir="LTR">MATLAB_R2016b</span> برای پیاده سازی معادلات و توابع تعریف شده در لایه های سیستم <span dir="LTR">ANFIS</span> استفاده شد. با استفاده از تکنیک همبستگی پیرسون، 6 متغیر بالینی موثر در افسردگی سالمندان به عنوان ورودی مدل <span dir="LTR">ANFIS</span> انتخاب شدند. داده ها به صورت تصادفی و به نسبت 30:70 به دو گروه آموزش و آزمایش تقسیم شدند. ارزیابی عملکرد سیستم با استفاده از ماتریس آشفتگی و منحنی راک بررسی شد.<br> <strong>یافته ها:</strong> نتایج نشان داد که الگوریتم سیستم <span dir="LTR">ANFIS</span> و طراحی شده در نرم افزار <span dir="LTR">MATLAB</span> با حساسیت بالاتر از56/92 % و با متمم ویژگی بالاتر از 68/89 % و سطح زیر منحنی بین 83/0 تا 1 در تشخیص و طبقه بندی افسردگی سالمندان از دقت قابل قبولی برخوردار بود. بعلاوه، ارزیابی مدل توسعه یافته نشان داد که توانسته است سطوح افسردگی سالمندان را در مقایسه با پرسشنامه <span dir="LTR">GDS</span> و مصاحبه بالینی بطور صحیح و با دقت بالا پیش بینی و طبقه بندی کند. مدل فقط در متمایزسازی سطح کم افسردگی از سطح نرمال با یک خطای غیر معنادار روبرو بود که توسط متخصصین به کمک علائم بالینی در زمان مصاحبه قابل اصلاح است.<br> <strong>نتیجه گیری:</strong> سیستم طراحی شده دقت تشخیص متخصص را افزایش داده و می تواند به عنوان یک دستیار قابل اطمینان طی فرآیند مراقبت های اولیه سلامت روان به عنوان یک ابزار غربالگری برای شناسایی زود هنگام اختلالات روانشناختی استفاده شده و به موقع درمان متناسب شروع گردد. در نهایت در سطح برنامه ریزی کلان، به جای هدردادن وقت و هزینه زیاد برای تشخیص و طبقه بندی اختلال، می توان آن را صرف ارزیابی تصمیم پروتکل درمانی گرفته شده کرد و اصلاحات لازم را برای بهبود عملکرد سازمان انجام داد. <strong>Introduction:</strong> The diagnosis and classification of depression as the most common abnormal psychological disorder in the elderly has received less attention. The aim of the study was to use the ANFIS system to automatically process information in order to provide an appropriate algorithm for predicting the depression of the elderly.<br> <strong>Method:</strong> The applied study was performed at the Gonbad Kavous Elderly Care Center. A total of 30 elderly people were selected as available samples and the data were collected by clinical interview and GDS scale. MATLABR2016b software was used to implement the equations and functions defined in the ANFIS system layers. Using Pearson&#39;s correlation technique, six clinical variables influencing elderly depression were selected as inputs to the ANFIS model. The data were randomly divided into two groups of training and experiments at a ratio of 30:70. System performance appraisal was evaluated using turbulence matrix and ROC curve.<br> <strong>Results:</strong> The results showed that the ANFIS system algorithm designed in MATLAB software with a TPR of more than 92.56% and with a FPR of 89.68% and an AUC of 0.83 to 1 was highly accurate in diagnosing and classifying elderly depression. Evaluation of the developed model showed that it was able to accurately predict the levels of depression in the elderly compared to the GDS questionnaire and clinical interview. In addition, the model only encountered a non-significant error in distinguishing between low and normal levels of depression, which can be corrected by specialists with the help of clinical symptoms at the time of the interview.<br> <strong>Conclusion:</strong> the designed system increases the accuracy of the specialist&#39;s diagnosis and can be used during the primary care process as a screening tool for early detection of physical or psychological disorders. Eventually, instead of wasting a lot of time and money to diagnose and classify the disorder, it can be used to evaluate the decision of the treatment protocol and make the necessary corrections to improve the organization&#39;s performance. الگوریتم, پیش بینی, افسردگی, سالمند Algorithm, Forecasting, Depression, Elderly 61 70 http://joge.ir/browse.php?a_code=A-10-461-1&slc_lang=fa&sid=1 mojgan mirza مژگان میرزا mojgan.mirza.kla@gmail.com 10031947532846004077 10031947532846004077 Yes Gonbad Kavous university دانشگاه گنبد کاووس - گروه روانشناسی