پایان‌نامه

تعیین ماکزیمم افق پیش بینی موثر برای رخداد hypotension با استفاده از شبکه های عصبی هوشمند و ویژگی های ترکیبی

مرضیه عباسی نیا

دانلود متن کاملرایگان، با حساب کاربری؛ ثبت نام با گوگل چند ثانیه است

چکیده

افت حاد فشار خون (ahe) بیماری خطرناکی به شمار می رود و باعث مرگ و میر در بیمارستان می شود. این بیماری، شاخص شایع بسیاری از اختلالات دیگر است و گاهی منجر به حوادث جبران ناپذیری می شود. تحقیقات نشان داده است که تشخیص زود هنگام آن، منجر به مداخله سریع و به موقع پرستاران شده واحتمال زنده ماندن بیمار را نیز افزایش می دهد. بدین منظور این پژوهش به بررسی ایجاد مدلی بر اساس شبکه های عصبی مصنوعی جهت پیش بینی رخداد افت حاد فشار خون در موثرترین زمان ممکن پرداخته است. سری های زمانی فیزیولوژیکی مورد نیاز این پژوهش از پایگاه داده mimic ii انتخاب شده است. چندین تکنیک مختلف با استفاده از ویژگی های آماری حوزه زمان از جمله الگوریتم طبقه بندی کننده k نزدیکترین همسایه، شیکه عصبی پرسپترون چند لایه و شبکه عصبی- فازی به منظور پیش بینی و ارتباط متغیر های فیزیولوژیکی با رخداد افت فشار خون در افق پیش بینی 90 دقیقه ای به کار گرفته شده است. با مشاهده نتایج مدل ها، شبکه عصبی فازی با صحت پیش بینی 87.04% جهت بهبود عملکرد آن انتخاب شده است . در ادامه بردار ویژگی جدیدی با استفاده از تبدیل موجک و الگوریتم تعیین ویژگی های موثر، استخراج شده و صحت پیش بینی الگوریتم به طور چشمگیری با افزودن ویژگی های زمان-مقیاس و انتخاب ویژگی های موثر به مقدار 96.30% افزایش یافته است. این نتایج نشان می دهد که مطالعه و بررسی به موقع پیش زمینه بالینی بیماران در تشخیص زود هنگام بیماری افت حاد فشار خون بسیار سودمند و مفید است.

اساتید راهنما و مشاور

فرداد فرخی، شهرام جوادی

پایان‌نامه‌های مشابه

اسناد مشابه

  • پیش بینی توام رخداد بلوک قلبی و مرگ در بیماران انفارکتوس میوکارد با مدل شبکه عصبی مصنوعی

    مقالهکومشنگین سادات میری یان، negin-sadat mirian dept. of biostatistics and epidemiology, faculty of public health, shahrekord university of medical sciences, shahrekord, iranگروه آمار زیستی و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران مرتضی سدهی، morteza sedehi dept. of biostatistics and epidemiology, faculty of public health, shahrekord university of medical sciences, shahrekord, iranگروه آمار زیستی و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران سلیمان خیری، soleiman kheiri dept. of biostatistics and epidemiology, faculty of public health, shahrekord university of medical sciences, shahrekord, iranگروه آمار زیستی و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران علی احمدی

    هدف: در مطالعات پزشکی، زمانی که بررسی وقوع هم زمان دو پیش آمد هم بسته مورد نظر باشد، از روش های تحلیل دومتغیره مانند رگرسیون لجستیک دومتغیره استفاده می شود. به دلیل محدودیت های روش های کلاسیک در داده های واقعی استفاده از روش های جایگزین مانند شبکه عصبی مصنوعی همواره مورد توجه است

  • پیش بینی بیماری قلبی با استفاده از شبکه عصبی مصنوعی بهبود یافته

    مقاله۲۰۱۹مجله دانشگاه علوم پزشکی ایلامجلال رضایی نور، غفران سعدی، میثم جهانی

    مقدمه: پیش بینی صحیح بیماری قلبی افراد از اهمیت زیادی برخوردار است، لذا برای این پیش بینی بایستی از آن دسته مدل‌هایی استفاده کرد که دارای حداقل خطا و حداکثر اطمینان باشد. از این رو در این مطالعه از ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک جهت ارزیابی مبتال بودن افراد به سکته قلبی

  • کاربرد روش آنالیز مؤلفه های اصلی در پیش بینی نرخ نفوذtbm با استفاده از شبکه های عصبی مصنوعی

    مقاله۲۰۱۴روش های تحلیلی و عددی در مهندسی معدنمحمد مختاریان، مصلح افتخاری، علیرضا باغبانان

    از فاکتورهای مهم در پیش بینی عملکرد tbm، تعیین نرخ نفوذ حفاری و نرخ پیشروی است. هدف اصلی از این مطالعه، بررسی استفاده از آنالیز مؤلفه های اصلی در پیش بینی نرخ نفوذ tbmبا استفاده از روش شبکه های عصبی مصنوعی است. یکی از بخش های مهم در استفاده از روش شبکه های عصبی به منظور پیش بینی،

  • پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مطالعه موردی: سیستم های بالاسری تقطیر نفت خام

    مقاله۲۰۰۶مطالعات مدیریت صنعتیسید امیر رضا ابطحی، محمود البرزی

    هدف این تحقیق پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مصنوعی می باشد. خوردگی پدیده ای است که به علت تاثیر عوامل مختلف و متعدد شناخته شده و ناشناخته پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش بینی و مدلسازی خوردگی در رویکرد مکانیستیک به واکنش ها و فراین

  • پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مطالعه موردی: سیستم های بالاسری تقطیر نفت خام

    مقالهمطالعات مدیریت صنعتیمحمود البرزی، استادیار گروه مدیریت صنعتی دانشگاه آزاد اسلامی، واحد علوم تحقیقات تهران، ایران سید امیر رضا ابطحی، دانش آموخته کارشناسی ارشد مدیریت صنعتی از دانشگاه آزاد اسلامی واحد علوم تخقیقات تهران، ایران

    هدف این تحقیق پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مصنوعی می باشد. خوردگی پدیده ای است که به علت تاثیر عوامل مختلف و متعدد شناخته شده و ناشناخته پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش بینی و مدلسازی خوردگی در رویکرد مکانیستیک به واکنش ها و فراین

  • پیش بینی بارش ماهانه با استفاده از شبکه های عصبی مصنوعی (مورد: تهران)

    مقاله۲۰۱۰پژوهشهای جغرافیای طبیعیمحمد حسین قلی زاده، محمد دارند

    گسترش سریع استفاده از شبکه های عصبی مصنوعی ( ann) به عنوان مدل تجربی و کارآمد در علوم مختلف از جمله هواشناسی و اقلیم شناسی نشان دهنده ضرورت ارزش بالای مطالعه این مدل هاست. پیش بینی بارش برای اهداف مختلفی نظیر برآورد سیلاب، خشکسالی، مدیریت حوضه آبریز، کشاورزی و ... دارای اهمیت بسی