ВИДІЛЕННЯ ЗОН РОЗПОВСЮДЖЕННЯ ЗАХВОРЮВАНОСТІ НА КОРОНАВІРУС COVID-19 НА ОСНОВІ МЕТОДІВ КЛАСТЕРНОГО АНАЛІЗУ
DOI:
https://doi.org/10.30837/ITSSI.2021.15.005Ключові слова:
кластерний аналіз, нейронна мережа, машинне навчання, епідемічний процес, COVID-19Анотація
Предмет: використання математичного апарату нейронних мереж для наукового обгрунтування протиепідемічних заходів з метою зниження захворюваності при прийнятті ефективних управлінських рішень. Ціль: застосувати кластерний аналіз, на основі нейронної мережі, для вирішення задачі виділення зон розповсюдження захворюваності. Задачі: проаналізувати методи аналізу даних для вирішення задачі кластеризації; розробити нейромережевий метод кластеризації територій України за характером епідемічного процесу COVID-19; на основі розробленого методу реалізувати програмний додаток аналізу даних для виділення зон розповсюдження захворюваності на прикладі коронавірусу COVID-19. Методи: моделі та методи аналізу даних, моделі та методи теорії систем (на базі інформаційного підходу), методи машинного навчання, зокрема метод Adaptive Boosting (на основі методу градієнтного спуску), методи навчання нейронних мереж. Результати: були використані розподілені по областям України дані Центру громадського здоров’я МОЗ України про захворюваність на COVID-19, кількість лабораторно обстежених осіб, кількість проведених лабораторних досліджень методами ПЦР та ІФА, кількість проведених лабораторних досліджень IgA, IgM, IgG; в моделі використані дані з березня 2020 по грудень 2020, при моделюванні не враховані дані з тимчасово окупованих територій України; для кластерного аналізу побудована нейронна мережа з 60 вхідними нейронами, 100 прихованими нейронами з активаційною функцією Фермі та 4 вихідними нейронами; для програмної реалізації моделі використана мова програмування Python. Висновки: проведено аналіз методів побудови нейронних мереж; аналіз методів навчання нейронних мереж, у тому числі методу градієнтного спуску; всі теоретичні вiдомостi, описанi в цiй роботi, були використанi для реалiзації програмного продукту обробки даних тестування на COVID-19 в Україні; було проведено розбиття областей України на зони зараження вірусом COVID-19 та представлено карту цього розбиття.
Посилання
Tabik, S., Gomez-Rios, A., Martin-Rodriguez, J., Sevillano-Garcia, I., Rey-Area, M., Charte, D., Guirado, E., Suarez, J., Luengo, J., Valero-Gonzalez, M., Garcia-Villanova, P., Olmedo-Sanchez, E. and Herrera, F. (2020), "COVIDGR Dataset and COVID-SDNet Methodology for Predicting COVID-19 Based on Chest X-Ray Images", IEEE Journal of Biomedical and Health Informatics, No. 24 (12), P. 3595–3605. DOI: https://doi.org/10.1109/JBHI.2020.3037127
Marmarelis, V. (2020), "Predictive Modeling of Covid-19 Data in the US: Adaptive Phase-Space Approach", IEEE Open Journal of Engineering in Medicine and Biology, P. 207–213. DOI: https://doi.org/10.1109/OJEMB.2020.3008313
Cihan, P. (2020), "Fuzzy Rule-Based System for Predicting Daily Case in COVID-19 Outbreak", P. 1–4. DOI: https://doi.org/10.1109/ISMSIT50672.2020.9254714
Barman, M. and Mishra, N. (2020), "A time-delay SEAIR model for COVID-19 spread", P. 1–6. DOI: https://doi.org/10.1109/CICT51604.2020.9312111
Kapetanović, A. L. and Poljak, D. (2020), "Modeling the Epidemic Outbreak and Dynamics of COVID-19 in Croatia", 5th International Conference on Smart and Sustainable Technologies (SpliTech), Split, Croatia, P. 1–5, DOI: https://doi.org/10.23919/SpliTech49282.2020.9243757
Horry, M., Chakraborty, S., Paul, M., Ulhaq, A., Pradhan, B., Saha, M., Shukla, N. (2020), "COVID-19 Detection through Transfer Learning using Multimodal Imaging Data", IEEE Access, Vol. 8, P. 149808–149824. DOI: https://doi.org/10.1109/ACCESS.2020.3016780
Johns Hopkins University & Medicine, "Coronavirus resource center Baltimore", USA : available at : https://coronavirus.jhu.edu/map.html (last accessed 17.02.2021).
Bazilevych, K., Mazorchuk, M., Parfeniuk, Y., Dobriak, V., Meniailov, I., Chumachenko, D. (2018), "Stochastic modelling of cash flow for personal insurance fund using the cloud data storage", International Journal of Computing, Vol. 17, P. 153–162. DOI: https://doi.org/10.47839/ijc.17.3.1035
Bazilevych, K., Meniailov, I., Goranina, S., Fedulov, K. (2019), "Determination of the likelihood of heart disease based on Data Mining methods" ["Opredeleny`e veroyatnosty` zabolevany`ya boleznyamy` serdcza na osnove metodov Data Mining"], Integrated technologies in design and construction, Vol. 83, P. 202–214.
Bazilevych, K., Meniailov, I., Fedulov, K., Goranina, S., Chumachenko, D., Pyrohov P. (2019), "Determining the Probability of Heart Disease using Data Mining Methods", CEUR Workshop Proceedings, Vol. 2488, P. 1–12.
Fang, W. and Lacher, R. C. (1994), "Network complexity and learning efficiency of constructive learning algorithms," Proceedings of 1994 IEEE International Conference on Neural Networks (ICNN'94), Orlando, FL, USA, Vol. 1, P. 366–369. DOI: https://doi.org/10.1109/ICNN.1994.374191
Tuma, A., Haasis, H. and Rentz, O. (1993), "Emission oriented production control strategies based on fuzzy expert systems, neural networks and neuro-fuzzy approaches", Proceedings of 1993 International Conference on Neural Networks (IJCNN-93-Nagoya, Japan), Nagoya, Japan, Vol. 3, P. 2971–2974. DOI: https://doi.org/10.1109/IJCNN.1993.714346
Bu, Z., Zhou, B., Cheng, P., Zhang, K., Ling, Z. -H. (2020), "Encrypted Network Traffic Classification Using Deep and Parallel Network-in-Network Models", IEEE Access, Vol. 8, P. 132950–132959. DOI: https://doi.org/10.1109/ACCESS.2020.3010637
Goudreau, M. W., Giles, C. L., Chakradhar, S. T., Chen, D. (1994), "First-order versus second-order single-layer recurrent neural networks", IEEE Trans Neural Netw, No. 5(3), P. 511–3. DOI: https://doi.org/10.1109/72.286928
Guha, D. R. and Patra, S. K. (2010), "Cochannel Interference Minimization Using Wilcoxon Multilayer Perceptron Neural Network", 2010 International Conference on Recent Trends in Information, Telecommunication and Computing, Kerala, India, P. 145–149. DOI: https://doi.org/10.1109/ITC.2010.50
Hirahara, M. and Oka, N. (1993), "A hybrid model composed of a multilayer perceptron and a radial basis function network", Proceedings of 1993 International Conference on Neural Networks (IJCNN-93-Nagoya, Japan), Nagoya, Japan, P. 1353–1356, Vol. 2. DOI: https://doi.org/10.1109/IJCNN.1993.716794
Postarnak, D. V. (2012), "Critical analysis of neural network models" ["Kry`ty`chesky`j analy`z modelej nejronnыx setej"], Bulletin of the Tyumen State University, No. 4, P. 162–167.
"Analytical panels and open data: Official channel of the Ministry of Health of Ukraine", available at : https://covid19.gov.ua/analitichni-paneli-dashbordy (last accessed 17.02.2021).
Yakovlev, S., Bazilevych, K., Chumachenko, D., Chumachenko, T., Hulianytskyi, L., Meniailov, I., Tkachenko, A. (2020), "The Concept of Developing a Decision Support System for the Epidemic Morbidity Control", CEUR Workshop Proceedings, Vol. 2753, P. 265–274.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
