An application of multilayer neural network on hepatitis disease diagnosis using approximations of sigmoid activation function

Abstract

Hepatit hastalığının teşhisi için çok katmanlı sinir ağı (MLNN) ve sigmoid aktivasyon fonksiyonu uygulanmıştır. Yöntemler: Yapay sinir ağları (YSA) tıbbi tanı için halen yaygın olarak kullanılan etkili araçlardır. Donanım tabanlı mimarilerde aktivasyon fonksiyonları YSA davranışında önemli rol oynamaktadır. Sigmoid fonksiyonu yumuşak tepkisi nedeniyle en sık kullanılan aktivasyon fonksiyonudur. Bu nedenle, sigmoid fonksiyonu ve yaklaşımları aktivasyon fonksiyonu olarak uygulanmıştır. Veri kümesi UCI makine öğrenme veri tabanından alınmıştır. Bulgular: Hepatit hastalığının tanısı için, MLNN yapısı hayata geçirilmiş ve Levenberg Morquardt (LM) algoritması öğrenme için kullanılmıştır. Hepatit hastalığını sınıflandıran yöntemimiz 10-kat çapraz doğrulama yoluyla 91.9%'den 93.8%'e doğruluklar sağlamıştır. Sonuç: Yapay sinir ağları ve aynı veri setini kullanarak hepatit hastalığını teşhis eden önceki çalışma ile karşılaştırıldığında, bizim sonuçlarımız sinir ağı tabanlı donanımın boyutunu ve maliyetini azaltması bakımından umut vericidir. Böylece, donanım tabanlı tanı sistemleri sigmoid fonksiyonu yaklaşımları kullanılarak etkili bir şekilde geliştirilebilir. Anahtar kelimeler: Hepatit hastalığı tanısı, çok katmanlı sinir ağı, 10-kat çapraz doğrulama, sigmoid aktivasyon fonksiyonu yaklaşımları ABSTRACT Objective: Implementation of multilayer neural network (MLNN) with sigmoid activation function for the diagnosis of hepatitis disease. Methods: Artificial neural networks (ANNs) are efficient tools currently in common use for medical diagnosis. In hardware based architectures activation functions play an important role in ANN behavior. Sigmoid function is the most frequently used activation function because of its smooth response. Thus, sigmoid function and its close approximations were implemented as activation function. The dataset is taken from the UCI machine learning database. Results: For the diagnosis of hepatitis disease, MLNN structure was implemented and Levenberg Morquardt (LM) algorithm was used for learning. Our method of classifying hepatitis disease produced an accuracy of 91.9% to 93.8% via 10 fold cross validation. Conclusion: When compared to previous work that diagnosed hepatitis disease using artificial neural networks and the identical data set, our results are promising in order to reduce the size and cost of neural network based hardware. Thus, hardware based diagnosis systems can be developed effectively by using approximations of sigmoid function.

Multiparty Homomorphic Machine Learning with Data Security and Model Preservation

“…B. Evgeni [32] proved that the CSP is postquantum secure over the general linear group GL d (R) (R means real number field) if d ≥ 4. Hence, to assure system security, we should code the message as a matrix with degree larger than 4.…”

“…However, since the exponential operation cannot be implemented directly via homomorphic addition and multiplication, some activation functions of forward propagation such as sigmoid should be approximated as the form of polynomials. ereby, we resort to a specific conversion [32][33][34],…”

Diagnosis of Hepatitis Disease with Logistic Regression and Artificial Neural Networks

“…They also compared their proposed system to other published classification methods. In (Mitra and Samanta, 2015;Çetin et al, 2015), artificial neural networks were applied for the diagnosis of hepatitis. All of them were using MLPNNs.…”

Performance Parameters Estimation of Second Generation Current Conveyor with Artificial Neural Networks

“…Böylece hata fonksiyonunun etkileri ağırlıklar sayesinde yayılır ve toplam hata değeri minimize edilmiş olur. Geri yayılım algoritmasında kullanılan aktivasyon fonksiyonu, sürekli türevi alınabilen ve tekdüze bir şekilde azalmayan minimum ve maksimum asimptotlar arasında uzayan bir fonksiyondur[17].Yapay sinir ağları modeli günümüzde donanım kısıtlamalarının ortadan kalkması ve özellikle grafik işlemcilerinin de algoritmada kullanılması ile büyük verilerin analizinde tercih edilmektedir.Haberleşme, biyomedikal gibi birçok alanda kullanılan yapay sinir ağları özellikle çok büyük veriler içeren elektronik devre tasarımlarında başarılı bir performans sergilemektedir[18][19][20][21][22][23][24][25].Literatürdeki çalışmalar incelendiğinde CCII tabanlı birçok devre tasarımı kullanılmıştır. CCII aktif eleman ait farklı performans parametrelerinin iyileştirilmesi için farklı devre blokları ile içyapı tasarımları gerçeklendiği izlenmektedir[26][27][28][29][30][31].…”