تشخیص و طبقه بندی آریتمی های قلبی توسط شبکه عصبی

تشخیص آسیب دیدگی مفاصل ورزشکاران توسط شبکه عصبی

مجهز شدن علم پزشکی به ابزارهای هوشمند در تشخیص و درمان بیماری ها می تواند پزشکان را در تشخیص به موقع و همچنین از اشتباهات تشخیصی در به وجود آمدن خسارات جانی و مالی کاهش دهد. طبق تحقیقات موجود اگر به طب کلاسیک و سنتی بسنده کنیم فقط در 30 % از بیماری ها به تشخیص می رسیم و قسمت عمده

شناسایی و طبقه بندی آریتمی های قلبی از روی سیگنال ecg با استفاده از روش های تکاملی

آریتمی های قلبی از مهم ترین عوامل مرگ و میر در جهان محسوب می شوند؛ جلوگیری از افزایش این مرگ و میرها نیازمند روش هایی است که بتوانند به طور خودکار آریتمی را تشخیص دهند. پژوهش های فراوانی تاکنون در مورد شناسایی و طبقه بندی آریتمی های قلبی پیشنهاد شده است. یکی از بهترین نتایج به دس

طبقه بندی آریتمی های قلبی با استفاده از تبدیل والش

بیماری های قلبی بنا بر آمارهای سازمان جهانی بهداشت شایعترین علت فوت را در میان سایر بیماری ها به خود اختصاص می دهند. استفاده از الکتروکاردیوگرام (electrocardiogram:ecg) به دلیل اینکه ثبت آن آسان، کم هزینه و در عین حال ثمر بخش می باشد، برای تشخیص بیماری های قلبی کاربرد وسیع و قابل

ارائه مدلی برای پیش بینی رابطه بین آلودگی هوا و بیماری های قلبی و تنفسی و روش های افزایش سلامتی توسط شبکه عصبی مصنوعی

تاثیر آلاینده های هوا بر سلامتی افراد، بسیار واضح است و لذا در این بین، بیمارانی با زمینه های مشکلات قلبی و عروقی در معرض خطر بیشتری نسبت به افراد سالم هستند. با وجود این مشکل، نیاز به داشتن راه کارهای مناسب برای مقابله با این خطرات احساس می شود. استفاده از مدل ریاضی در پیش بینی

تشخیص پایداری گذرای سیستمهای قدرت توسط شبکه های عصبی ترکیبی

در این مطالعه ابتدا روشهای مستقیم تشخیص پایداری گذار و سپس روش استفاده از شبکه های عصبی مصنوعی ترکیبی برای تشخیص پایداری گذرای سیستم های قدرت معرفی شده است. برای بهبود ناپایداری گذرای سیستم های قدرت می توان از ادوات facts استفاده نمود. در این مطالعه از upfc برای بهبود پایداری گذر

بهبود روش های طبقه بندی به کمک تلفیق شبکه های عصبی و منطق فازی در تصاویر ابرطیفی

مقایسه دو روش طبقه بندی حداکثر احتمال و شبکه عصبی مصنوعی آرتمپ فازی در استخراج نقشه پوشش مرتعی (مطالعه موردی: مرتع حوزه دویرج دهلران)

مراتع از مهمترین منابع تجدیدشونده هستند که بدلیل وسعت و تأثیرات اقتصادی، اجتماعی و زیست محیطی خاص، از اهمیت ویژه ای برخوردارند. متأسفانه در کشور ما همانند اغلب کشورهای در حال توسعه، مراتع به دلایل مختلف از جمله مدیریت غیراصولی این منابع در معرض تخریب و نابودی قرار گرفته اند.فناور

طراحی و بررسی کارایی سیستم هوشمند جداسازی و طبقه بندی آریتمی های موجود در سیگنال های صوتی قلب با استفاده از فیلتر تطبیقی و شبکه عصبی چند لایه پس انتشار (mlp-bp)

سابقه و هدف: شنیدن سیگنال های صوتی قلب یکی از روش های غیر تهاجمی و در عین حال آسان در تشخیص بی نظمی های عملکردی قلب انسان محسوب می شود که تحلیل صحیح آن، به دانش و تجربه ی پزشک متخصص نیاز دارد. هدف این مقاله، طراحی و پیاده سازی یک سیستم هوشمند در جداسازی و طبقه بندی آریتمی های موج

شاخص هورست چندگانه اصلاح شده برای ارزیابی میزان آشوبناک بودن در کاربرد طبقه بندی آریتمی های قلبی

قلب انسان سیستمی آشوبناک است از این رو استفاده از بعد فرکتال به منظور شناسایی انواع آریتمی های قلبی مورد توجه قرار گرفته است. آریتمی های قلبی یکی از شایع ترین بیماری ها می باشند که شناسایی آن ها از اهمیت زیادی برخوردار است. شاخص هورست معیاری جهت ارزیابی میزان آشوبناک بودن سیستم ه

مقایسه دو روش طبقه بندی حداکثر احتمال و شبکه ی عصبی مصنوعی در استخراج نقشه ی کاربری اراضی مطالعه موردی: حوزه سد ایلام

یکی از ضروری ترین اطلاعات مورد نیاز مدیران و متولیان منابع طبیعی، نقشه های کاربری اراضی می باشد. داده های ماهواره ای، به جهت ارایه­ی اطلاعات به هنگام و رقومی، تنوع اشکال و امکان پردازش در تهیه­ی نقشه­های کاربری اراضی از اهمیت بالایی برخوردارند. از سویی دیگر در سال­های اخیر به طور

طبقه بندی اختلالات قلبی با استفاده از شبکه کوانتیزه کننده برداری و بر اساس ویژگی های استخراج شده از تبدیل ویولت

در این مقاله کارکرد شبکه عصبی کوانتیزه کننده برداری (lvq) در طبقه بندی شش نوع سیگنال الکتروکاردیوگرام (ecg) با استفاده از ویژگی های استخراج شده به وسیله تبدیل ویولت مرتبه شش خانواده دابیچی بررسی شده است. شش سیگنال مورد نظر عبارت اند از: ecg نرمال و ecg مربوط به اختلالات بلوک شاخه

طبقه بندی اختلالات قلبی با استفاده از شبکه کوانتیزه کننده برداری و بر اساس ویژگی های استخراج شده از تبدیل ویولت

در این مقاله کارکرد شبکه عصبی کوانتیزه کننده برداری (LVQ) در طبقه بندی شش نوع سیگنال الکتروکاردیوگرام (ECG) با استفاده از ویژگی های استخراج شده به وسیله تبدیل ویولت مرتبه شش خانواده دابیچی بررسی شده است. شش سیگنال مورد نظر عبارت اند از: ECG نرمال و ECG مربوط به اختلالات بلوک شاخه