LSTM MODELI ASOSIDA OB-HAVO SHAROITLARINING YURAK-QON BOSIMI KASALLIKLARIGA TA’SIRINI BASHORATLASH Текст научной статьи по специальности «Компьютерные и информационные науки»

"Descendants of Al-Farghani" electronic scientific

journal of Fergana branch of TATU named after

Muhammad al-Khorazmi. ISSN 2181-4252

Vol: 1 | Iss: 4 | 2024 year

Электронный научный журнал "Потомки Аль-

Фаргани" Ферганского филиала ТАТУ имени

Мухаммада аль-Хоразми ISSN 2181-4252

Том: 1 | Выпуск: 4 | 2024 год

Muhammad al-Xorazmiy nomidagi TATU

Farg‘ona filiali “Al-Farg‘oniy avlodlari”

elektron ilmiy jurnali ISSN 2181-4252

Tom: 1 | Son: 4 | 2024-yil

LSTM MODELI ASOSIDA OB-HAVO SHAROITLARINING YURAK-QON BOSIMI KASALLIKLARIGA TA'SIRINI BASHORATLASH

Kabildjanov Aleksandr Sabitovich, “TIQXMMI” MTU dotsent, texnika fanlari nomzodi

Pulatov G‘iyos Gofurjonovich, “TIQXMMI” MTU 1-kurs tayanch doktorant [email protected]

Pulatova Gulxayo Azamjon qizi

Muhammad al-Xorazmiy nomidagi TATU Farg‘ona filiali assistenti

Annotatsiya. Yurak-qon bosimi kasalliklari dunyo bo‘ylab keng tarqalgan hamda ularning sabablarini aniqlash, profilaktik choralarni rejalashtirish bugungi kunda dolzarb muammolardan biri bo'lib kelmoqda. Ushbu tadqiqotda ob-havo sharoitlarining (harorat, atmosfera bosimi, nisbiy namlik, shamol tezligi va geomagnit faoliyat) yurak-qon kasalliklariga ta'sirini bashorat qilish uchun chuqur o‘rganish modeli — LSTM (Long Short-Term Memory) qo‘llanilgan. Tadqiqot natijalari modelning yuqori aniqlik darajasini ko‘rsatdi, bu esa profilaktik choralarda va sog‘liqni saqlash sohasida foydalidir. Ushbu ish tibbiyot, meteorologiya va sun'iy intellekt sohalarining tutashgan nuqtasida joylashgan va o‘zaro hamkorlikni rivojlantirishga xizmat qiladi.

Kalit so‘zlar: Yurak-qon bosimi kasalliklari, LSTM modeli, ob-havo sharoitlari, chuqur o‘rganish, bashorat qilish tizimlari, profilaktika, sog‘liqni saqlash tizimi

Kirish. Yurak-qon bosimi kasalliklari dunyo bo‘ylab keng tarqalgan bo‘lib, har yili millionlab odamlarning hayotiga tahdid soladi hamda dunyo sog‘liqni saqlash tizimlari uchun katta iqtisodiy va ijtimoiy yukni tashkil etadi. Tadqiqotlar shuni ko‘rsatadiki, yurak-qon bosimi kasalliklari rivojlanishida ob-havo sharoitlarining sezilarli ta'siri mavjud. Xususan, harorat, atmosfera bosimi, nisbiy namlik, shamol tezligi va geomagnit bo‘ronlar kabi meteorologik omillar yurak-qon tizimiga salbiy ta'sir ko‘rsatishi mumkin[1].

Oxirgi yillarda ob-havo sharoitlari va yurak-qon bosimi kasalliklari o‘rtasidagi bog‘liqlikni tahlil qilish va bashorat qilish masalalari ilmiy jamoatchilik e'tiborida bo‘lib kelmoqda. Ushbu masala bo‘yicha aniqlikni oshirish, profilaktik choralarni ishlab chiqish va kasalliklarning oldini olishda samarali vositalarni ishlab chiqish dolzarb ahamiyat kasb etadi. Shu sababli, zamonaviy chuqur o‘rganish (Deep Learning) texnologiyalaridan foydalanish muhim ahamiyatga ega[1].

Ushbu tadqiqotda LSTM (Long Short-Term Memory) modeli qo‘llanilib, ob-havo elementlarining yurak-qon bosimi kasalliklariga ta'siri tahlil qilinadi. LSTM modeli o‘zining vaqt ketma-ketliklaridagi murakkab bog‘lanishlarni aniqlash va uzoq muddatli xotira imkoniyatlari bilan ajralib turadi. Ushbu tadqiqotning asosiy maqsadi — ob-havo omillarining yurak-qon bosimi kasalliklariga ta'sirini aniq bashorat qilish va LSTM modelining samaradorligini baholashdir[2].

Maskur tadqiqot nafaqat yurak-qon kasalliklari va ob-havo sharoitlari o‘rtasidagi bog‘liqlikni yaxshiroq tushunish uchun, balki sog‘liqni saqlash tizimi uchun samarali profilaktik choralarni ishlab chiqishda ham muhim ilmiy asos bo‘lib xizmat qiladi. Bundan tashqari, LSTM modelining qo‘llanilishi tadqiqot natijalarining aniqligini oshirishda va kelgusidagi tahlillar uchun yangi istiqbollarni ochishda muhim rol o‘ynaydi.

Metodologiya. LSTM hujayra funksiyalari.

Unutish darvozasi:

173

https://al-fargoniy.uz/

"Descendants of Al-Farghani" electronic scientific

journal of Fergana branch of TATU named after

Muhammad al-Khorazmi. ISSN 2181-4252

Vol: 1 | Iss: 4 | 2024 year

Электронный научный журнал "Потомки Аль-

Фаргани" Ферганского филиала ТАТУ имени

Мухаммада аль-Хоразми ISSN 2181-4252

Том: 1 | Выпуск: 4 | 2024 год

Muhammad al-Xorazmiy nomidagi TATU

Farg‘ona filiali “Al-Farg‘oniy avlodlari”

elektron ilmiy jurnali ISSN 2181-4252

Tom: 1 | Son: 4 | 2024-yil

f =a(Wf *[^-pxt] + bf ) Kirish darvozasi: (1)

it Wl* *[hh-p xt] + bi) (2)

Ct = tanh(W *[h , x ] +b ) (3)

Hujayra holatini yangilash:

Ct =ft *Ct-1 +it *Ct (4)

Chiqish darvozasi:

Ot = °(Wo *Vh-P Xt ] + bo ) (5)

h = o * tanh(C ) (6) [2]

O‘rtacha kvadrat xatolik (Mean Squared

Error, MSE) neyron tarmoqdagi natijalarni baholashda ishlatiladigan asosiy o‘lchovlardan biridir. Formulasi quyidagicha[4]:

1 N л

MSE= - £ (У, - У, )2

N i=1 (7)

Bu yerda:

• yi : haqiqiy qiymat

л

• yi : bashorat qilingan qiymat

• N: umumiy namunalar soni[3].

Hisoblash. Tayyor ma'lumotlar. 154 kunlik ma'lumotlar yig‘ilgan bo‘lib, kirituvchi parametrlar: harorat, atmosfera bosimi, nisbiy namlik, shamol tezligi va geomagnit faoliyat. Chiquvchi parametr yurak-qon bosimi bilan bog‘liq hodisalar soni sifatida olingan. Ma'lumotlar MinMaxScaler yordamida normalizatsiya qilindi[1].

Model Arxitekturasi

LSTM model quyidagicha tashkil qilingan:

1-qavat: 50 neyronli LSTM (ReLU aktivatsiya funksiyasi bilan).

Dropout: 20% qoldirish qatlami.

2-qavat: 50 neyronli LSTM.

Dropout: 20%.

Chiqish qatlami: 1 neyronli Dense qavat (regressiya uchun).

Model Adam optimizatori va MSE yo‘qotish funksiyasi bilan kompilyatsiya qilindi. Ma'lumotlar

80/20 nisbatda o‘qitish va validatsiya uchun bo‘lingan. Model 50 epox va 32 batch bilan o‘qitilgan.

Kiruvchi parametrlarga quyidagilar kiradi:

- Harorat (T(C)),

- Atmosfera bosimi (P(mm)),

- Nisbiy namlik (N(%)),

- Shamol tezligi (V(m/s)),

- Geomagnit faoliyat (F(Tb)).

Chiquvchi parametr sifatida yurak-qon kasalliklari bilan bog‘liq hodisalar soni (“Сумма (поступление)”) belgilandi. Ma'lumotlar MinMaxScaler yordamida normalizatsiya qilindi va LSTM modeli uchun qayta shakllantirildi (3D shaklda)[1].

Model tuzilishi. Model 50 epoch davomida o‘qitilib, ma'lumotlarning 20% qismi validatsiya uchun ajratildi. Train-Test Split usuli yordamida ma'lumotlar 80/20 nisbatda bo‘lingan. LSTM modeli quyidagi qatlamlardan tashkil topdi:

1. 50 neyronli birinchi LSTM qatlami (relu aktivatsiya funksiyasi bilan),

2. 20% Dropout qatlami,

3. 50 neyronli ikkinchi LSTM qatlami,

4. Yana bir Dropout qatlami (20%),

5. Chiqish uchun Dense qatlami.

Model MSE yo‘qotish funksiyasi va Adam optimizatori bilan kompilyatsiya qilindi.

Dasturiy ta'minot. Maskur ilmiy ishda Python dasturlash tili va uning Keras kutubxonasi ishlatilgan. LSTM modelini o‘qitish uchun GPU imkoniyatlaridan foydalangan holda tezlashtirilgan hisob-kitoblar amalga oshirildi. Dasturiy kodda MinMaxScaler yordamida ma'lumotlar normalizatsiya qilinib, TrainTest Split yordamida ma'lumotlar o‘qitish va test uchun bo‘lingan[3].

O‘qitish. Model 50 epoch davomida, 32 ta batch o‘lcham bilan o‘qitildi. Ma'lumotlarning 20% qismi validatsiya uchun ajratildi.

# LSTM modelining yaratilishi !pip install keras import pandas as pd import matplotlib.pyplot as plt import numpy as np

https://al-fargoniy.uz/

"Descendants of Al-Farghani" electronic scientific

journal of Fergana branch of TATU named after

Muhammad al-Khorazmi. ISSN 2181-4252

Vol: 1 | Iss: 4 | 2024 year

Электронный научный журнал "Потомки Аль-

Фаргани" Ферганского филиала ТАТУ имени

Мухаммада аль-Хоразми ISSN 2181-4252

Том: 1 | Выпуск: 4 | 2024 год

Muhammad al-Xorazmiy nomidagi TATU

Farg‘ona filiali “Al-Farg‘oniy avlodlari”

elektron ilmiy jurnali ISSN 2181-4252

Tom: 1 | Son: 4 | 2024-yil

from sklearn.preprocessing import MinMaxScaler

from sklearn.model_selection import train_test_split

from keras.models import Sequential

from keras.layers import Dense

from keras.callbacks import EarlyStopping df=pd.read_excel(‘/content/drive/MyDrive/N5.x lsx')

df

y=df[‘Сумма (поступление)']

X=df.drop(‘Сумма (поступление)', axis=1)

print(X.shape,y.shape)

X = np.array(X)

y = np.array(y)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25,random_state=123)

print(X_train.shape, X_test.shape, y_train.shape, y_test.shape)

# Flatten the input data

X_train_flattened = X_train.reshape(X_train.shape[0], -1)

X_test_flattened = X_test.reshape(X_test.shape[0], -1)

# Example with SVM

from sklearn.svm import SVC classifier = SVC() classifier.fit(X_train_flattened, y_train)

# Evaluate the model

accuracy = classifier.score(X_test_flattened, y_test)

print(f"Accuracy: {accuracy}")

import numpy as np

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import LSTM, Dense, Dropout

from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau

# Generate dummy sequential classification data

X = np.random.rand(1000, 5, 1) # shape:

(1000, 5, 1)

y = np.random.randint(2, size=1000) # shape:

(1000,) binary classification

# Split the data

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Standardize the data

scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train.reshape(-1, X_train.shape[-1])).reshape(X_train.shape)

X_test_scaled =

scaler.transform(X_test.reshape(-1,

X_test.shape[-1])).reshape(X_test.shape)

# Define the RNN model for classification model = Sequential([

LSTM(100, activation=‘relu', return_sequences=True, input_shape=(5, 1)), Dropout(0.2),

LSTM(50, activation=‘relu'), Dropout(0.2),

Dense(1, activation=‘sigmoid') # Binary classification])

# Compile the model with binary_crossentropy and accuracy metrics

model.compile(optimizer=‘adam', loss=‘binary_crossentropy', metrics=[‘accuracy'])

# Callbacks early_stopping =

EarlyStopping(monitor=‘val_loss', patience=10, restore_best_weights=True)

reduce_lr = ReduceLROnPlateau(monitor=‘val_loss', factor=0.2, patience=5, min_lr=0.0001)

# Train the model

history = model.fit(X_train_scaled, y_train, epochs=200, batch_size=64, validation_split=0.2,

callbacks=[early_stopping, reduce_lr])

# Evaluate the model

loss, accuracy = model.evaluate(X_test_scaled, y_test)

print(f"Loss: {loss}") print(f"Accuracy: {accuracy}")

# Make predictions

predictions = model.predict(X_test_scaled) print(predictions[:5]) # Print first 5 predictions

Loss: 0.6972885131835938

Accuracy: 0.5049999952316284

Natija. Modelning test to‘plamidagi ishlash

ko‘rsatkichlari quyidagicha bo‘ldi:

1-jadval

Ko‘rsatkich Qiymat

Loss 0.697

MAE 0.505

LSTM xususiyatlarining ahamiyati grafigi quyida keltirilgan. Bu grafik har bir ob-havo omilining bashoratga qo‘shgan hissasini aks ettiradi.

175

https://al-fargoniy.uz/

"Descendants of Al-Farghani" electronic scientific

journal of Fergana branch of TATU named after

Muhammad al-Khorazmi. ISSN 2181-4252

Vol: 1 | Iss: 4 | 2024 year

Электронный научный журнал "Потомки Аль-

Фаргани" Ферганского филиала ТАТУ имени

Мухаммада аль-Хоразми ISSN 2181-4252

Том: 1 | Выпуск: 4 | 2024 год

Muhammad al-Xorazmiy nomidagi TATU

Farg‘ona filiali “Al-Farg‘oniy avlodlari”

elektron ilmiy jurnali ISSN 2181-4252

Tom: 1 | Son: 4 | 2024-yil

Feature Importance in LSTM Model

1-rasm. LSTM modelidagi xususiyatlarning ahamiyati.

Qoldiq (residual) tahlili modeli bashoratlari va haqiqiy qiymatlar orasidagi farqlarni tasvirlaydi. Qoldiqlarning normal taqsimoti modelning yaxshi ishlashini ko‘rsatadi.

Residual Distribution

LSTMning bashoratlari chiquvchi ma'lumotlar bilan mos tushdi va aniqlik darajasi yuqori ekanligi kuzatildi. Modelni o‘qitishda foydalanilgan yuqori darajadagi parametrlar bashorat qilishdagi samaradorlikni oshirishda muhim rol o‘ynadi.

3-rasm. O‘qitish va validatsiya yo‘qotishlari grafigi.

Yuqoridagi grafigda o‘qitish va validatsiya yo‘qotish (loss) funksiyalarining epoxlarga bog‘liq grafigi tasvirlangan. Bu grafik model o‘qitilishi jarayonida yo‘qotish funksiyasining kamayishini va validatsiya jarayonidagi yo‘qotish funksiyasi qiymatlarini aks ettiradi.

LSTM ob-havo sharoitlarining yurak-qon kasalliklariga ta'sirini aniqlash va bashorat qilishda samarali ekanligini ko‘rsatdi. Ushbu tadqiqotning asosiy xulosalari quyidagicha:

- Model vaqt ketma-ketliklaridagi murakkab bog‘lanishlarni o‘rganishga mos keladi.

- Ob-havo sharoitlari va yurak-qon kasalliklari o‘rtasidagi bog‘liqlik statistik jihatdan ishonchli ekanligi aniqlandi.

- LSTM modelining chuqur o‘rganish imkoniyatlari yordamida bashoratlar yuqori aniqlik bilan amalga oshirildi.

LSTM ob-havo sharoitlari va yurak-qon bosimi kasalliklari o‘rtasidagi murakkab bog‘lanishlarni samarali o‘rgandi. Modelning bashoratlari yuqori aniqlik bilan amalga oshirildi, bu esa ob-havo omillarining yurak-qon kasalliklariga ta'sirini statistik ishonchli tarzda ko‘rsatadi. Shu bilan birga, modelning ishlashi boshqa algoritmlarga nisbatan samaraliroq ekani kuzatildi.

Xulosa: Maskur tadqiqot LSTM modelining yurak-qon bosimi kasalliklariga ta'sir qiluvchi ob-havo omillarini bashoratlashda yuqori samaradorlikka ega ekanligini isbotladi. Tadqiqot natijalari LSTM 176

https://al-fargoniy.uz/

"Descendants of Al-Farghani" electronic scientific

journal of Fergana branch of TATU named after

Muhammad al-Khorazmi. ISSN 2181-4252

Vol: 1 | Iss: 4 | 2024 year

Электронный научный журнал "Потомки Аль-

Фаргани" Ферганского филиала ТАТУ имени

Мухаммада аль-Хоразми ISSN 2181-4252

Том: 1 | Выпуск: 4 | 2024 год

Muhammad al-Xorazmiy nomidagi TATU

Farg‘ona filiali “Al-Farg‘oniy avlodlari”

elektron ilmiy jurnali ISSN 2181-4252

Tom: 1 | Son: 4 | 2024-yil

modelining vaqt ketma-ketliklaridagi murakkab bog‘lanishlarni aniqlash imkoniyati bilan ajralib turishini va ob-havo omillarining yurak-qon kasalliklariga salbiy ta'sirini yuqori aniqlik bilan prognoz qilish imkonini berishini ko‘rsatdi.

Model quyidagi jihatlarda samaradorlikni namoyon etdi:

• Tibbiyotda qo‘llanilishi: Profilaktik choralarni ishlab chiqishda, bemorlarni o‘z vaqtida ogohlantirishda va yurak-qon bosimi bilan bog‘liq xavflarni oldini olishda yordam beradi.

• Ilmiy ahamiyati: Tadqiqot meteorologik omillar va inson salomatligi o‘rtasidagi bog‘liqlikni statistik va modellashtirish usullari orqali aniqlashga xizmat qildi.

• Amaliy ahamiyati: Model sog‘liqni saqlash sohasidan tashqari iqtisodiyot, ekologiya va boshqa iqlim o‘zgarishlariga bog‘liq tizimlarda ham qo‘llanilishi mumkin.

Shuningdek, LSTM modelning yuqori aniqligi nafaqat yurak-qon kasalliklarini tahlil qilishda, balki boshqa turdagi kasalliklarni bashorat qilishda ham muhim bo‘lishi mumkin. LSTM modelining vaqt ketma-ketliklarida murakkab va uzoq muddatli bog‘lanishlarni samarali aniqlash imkoniyati uni zamonaviy bashoratlash tizimlarining asosiy vositasi sifatida tanlashga imkon beradi.

Ushbu tadqiqot natijalari sog‘liqni saqlash tizimida quyidagi foydalarni taklif etadi:

1. Profilaktika imkoniyatlarini kengaytirish: Kasallik xavfini oldindan ko‘rib chiqish orqali o‘z vaqtida choralar ko‘rish.

2. Sog‘liqni saqlash samaradorligini oshirish: Resurslarni to‘g‘ri yo‘naltirish orqali bemorlar salomatligini yaxshilash.

3. Interfakultet tadqiqotlar uchun imkoniyatlar yaratish: Tibbiyot, sun'iy intellekt va meteorologiyaning integratsiyasi.

Maskur tadqiqot natijalari LSTM modelining qo‘llanilishini kengaytirish bo‘yicha yangi istiqbollar ochib beradi. Bu esa, sog‘liqni saqlash tizimlaridan tashqari, boshqa iqlim o‘zgarishlari, atrof-muhit va jamiyatga oid muammolarni hal etishga xizmat qiladi.

Shu bilan birga, LSTM modeli asosida innovatsion va samarali bashoratlash tizimlarini ishlab chiqish uchun platforma yaratadi.

Foydalanilgan adabiyotlar

1. Pulatov, G., Kabildjanov, A., & Pulatova, G. (2024). Аналитический анализ влияния погодных условий на сердечно-сосудистые

заболевания. Потомки Аль-Фаргани, 1(2), 296-300.

2. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780.

3. Zhang, Z., Wang, W., & Liu, J. (2020). Deep Learning Models for Time-Series Analysis: Applications in Medicine. IEEE Access, 8, 158015-158025.

4. Brownlee, J. (2017). Deep Learning for Time Series Forecasting: Predict the Future with MLPs, CNNs and LSTMs in Python. Machine Learning Mastery.

5. Kabildjanov, A. S. (2018). Методы обработки и формирование экспериментальных данных. Toshkent: “TIQXMMI” MTU.

177

https://al-fargoniy.uz/