माइग्रेन सिरदर्द (MH) वर्गीकरण मशीन लर्निंग विधियों के साथ डेटा संवर्धन का उपयोग करते हुए

सार माइग्रेन सिरदर्द, जो एक सामान्य और जटिल न्यूरोवास्कुलर रोग है, नैदानिक पहचान में महत्वपूर्ण चुनौतियाँ प्रस्तुत करता है। मौजूदा तकनीकें जो व्यक्तिपरक दर्द की तीव्रता के उपायों का उपयोग करती हैं, एक विश्वसनीय निदान करने के लिए पर्याप्त सटीक नहीं हैं। हालांकि सिरदर्द एक आम स्थिति है जिसमें खराब निदान विशिष्टता होती है, यह मस्तिष्क, शरीर और सामान्य मानव कार्यात्मकता पर महत्वपूर्ण नकारात्मक प्रभाव डालता है। स्वास्थ्य और प्रौद्योगिकी की गहराई से संयुक्त इस युग में, मशीन लर्निंग (ML) हर पहलू को बदलने में एक महत्वपूर्ण शक्ति के रूप में उभरी है, उन्नत सुविधाओं का उपयोग करते हुए ML ने वर्गीकरण और स्वचालित भविष्यवक्ताओं के विकास से संबंधित अभूतपूर्व उपलब्धियाँ दिखाई हैं। इसके साथ, विशेष रूप से गहरे शिक्षण मॉडल ऐसे जटिल समस्याओं को हल करने में प्रभावी साबित हुए हैं जो कंप्यूटर दृष्टि और डेटा विश्लेषण को फैलाते हैं। परिणामतः, स्वास्थ्य सेवा में ML का एकीकरण महत्वपूर्ण हो गया है, विशेष रूप से विकासात्मक देशों में जहां सीमित चिकित्सा संसाधन और जागरूकता की कमी है, कृत्रिम बुद्धिमत्ता (AI) का उपयोग करके माइग्रेन की भविष्यवाणी और वर्गीकृत करने की तात्कालिक आवश्यकता और भी महत्वपूर्ण हो जाती है। इन मॉडलों को सार्वजनिक रूप से उपलब्ध डेटा सेट पर प्रशिक्षित करते हुए, डेटा संवर्धन के साथ और बिना। यह अध्ययन प्रमुख ML एल्गोरिदम का लाभ उठाने पर ध्यान केंद्रित करता है, जिसमें सपोर्ट वेक्टर मशीन (SVM), K-नजदीकी पड़ोसी (KNN), रैंडम फॉरेस्ट (RF), निर्णय पेड़ (DST), और गहरे न्यूरल नेटवर्क (DNN) शामिल हैं, विभिन्न प्रकार के माइग्रेन की भविष्यवाणी और वर्गीकृत करने के लिए। प्रस्तावित मॉडल डेटा संवर्धनों के साथ सात विभिन्न प्रकार के माइग्रेन को वर्गीकृत करने के लिए प्रशिक्षित किए गए थे। प्रस्तावित मॉडल डेटा संवर्धनों के साथ सात विभिन्न प्रकार के माइग्रेन को वर्गीकृत करने के लिए प्रशिक्षित किए गए थे। प्रकट परिणाम बताते हैं कि DNN, SVM, KNN, DST, और RF ने क्रमशः 99.66%, 94.60%, 97.10%, 88.20%, और 98.50% की सटीकता प्राप्त की है, जो माइग्रेन निदान को बेहतर बनाने में AI की परिवर्तनकारी क्षमता को उजागर करता है।