شبکه عصبی / شبکه عصبی بیولوژیکی و مصنوعی
صدف رضوی نژاد؛ امیرمحمد فلاح؛ سیدابوالقاسم میرروشندل
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 18 آبان 1399
چکیده
دیابت یک بیماری شایع در سراسر جهان است. این بیماری سخت و غیرقابل علاج ولی کنترل‌پذیر است، از این‌رو کنترل و پیشگیری از عوارض آن امری مهم است. به همین علت استفاده از روش‌هایی با خطای پایین و هوشمند برای پیش‌بینی میزان قند خون و از همه مهم‌تر جلوگیری از عوارض خطرناک آن، مساله‌ای مهم در کنترل بهتر این بیماری محسوب می‌شود. با توجه ...
بیشتر
دیابت یک بیماری شایع در سراسر جهان است. این بیماری سخت و غیرقابل علاج ولی کنترل‌پذیر است، از این‌رو کنترل و پیشگیری از عوارض آن امری مهم است. به همین علت استفاده از روش‌هایی با خطای پایین و هوشمند برای پیش‌بینی میزان قند خون و از همه مهم‌تر جلوگیری از عوارض خطرناک آن، مساله‌ای مهم در کنترل بهتر این بیماری محسوب می‌شود. با توجه به روش‌های مختلفی که در این زمینه ارائه شده است، در این مقاله نیز دو مدل با استفاده از رهیافت یادگیری عمیق ارائه شده است که نتایج کارآمد و بهینه‌ای تولید می‌کند. دو مدل پیشنهادی از ترکیب‌های متفاوتی از شبکه‌های عصبی حافظه طولانی کوتاه‌مدت و پیشخور تشکیل شده‌اند و میزان قند خون آتی بیمار را با دقت و سرعت قابل‌توجهی پیش‌بینی می‌کنند. از 81.200 رکورد داده میزان قند خون 203 بیمار به همراه 27 مشخصه‌ی مهمی که بر میزان قند خون آن‌ها مؤثر بوده استفاده شده است. همچنین به‌منظور ارزیابی دقیق، از روش اعتبارسنجی متقابل مناسب برای سری‌زمانی استفاده شد و نتایج حاصل از اجرای مدل‌ها نشان داد که مدل میانگین متحرک خودهمبسته یکپارچه با توجه به این حجم از داده و ضعف سخت‌افزاری سیستم پیاده‌سازی، قادر به پیش‌بینی میزان قند خون نیست و مدل‌های مبتنی بر یادگیری عمیق کارایی قابل قبول و سرعت عملکرد خوبی دارند. همچنین با توجه به نتایج به‌دست آمده مدل پیشنهادی دوم برای افق‌های پیش‌بینی 5، 10 و 15 دقیقه به‌ترتیب 8/13درصد، 16درصد و 9/18درصد بهتر از مدل پیشنهادی اول عمل کرده است و می‌تواند مدل قابل اعتمادتری برای پیش‌بینی میزان قند خون باشد. از این‌رو مدل بیان‌شده می‌تواند در سیستم‌های هوشمند هشداردهنده برای پیشگیری از وقوع هیپوگلیسمی که از عوارض خطرناک و شایع بیماری دیابت نوع یک است، استفاده شود.
شبکه عصبی / شبکه عصبی بیولوژیکی و مصنوعی
حامد عباسی؛ شاهرخ شجاعی؛ نسیم نادری
دوره 13، شماره 2 ، تابستان 1398، ، صفحه 105-115
چکیده
امروزه جهت تصمیمگیری در مورد بسیاری از عمل‌های جراحی قلب و بررسی شرایط و آمادگی بیمار برای انجام عمل جراحی، از روش اندازه‌گیری مقاومت عروق ریوی استفاده می‌شود. اگر مقدار این مقاومت از یک حد آستانه بالاتر باشد، بیمار به عنوان غیرقابل عمل در نظر گرفته شده و حتی گاهی درمان‌هایی برای کاهش مقاومت عروق ریوی در مراحل اولیه‌ی بیماریهای ...
بیشتر
امروزه جهت تصمیمگیری در مورد بسیاری از عمل‌های جراحی قلب و بررسی شرایط و آمادگی بیمار برای انجام عمل جراحی، از روش اندازه‌گیری مقاومت عروق ریوی استفاده می‌شود. اگر مقدار این مقاومت از یک حد آستانه بالاتر باشد، بیمار به عنوان غیرقابل عمل در نظر گرفته شده و حتی گاهی درمان‌هایی برای کاهش مقاومت عروق ریوی در مراحل اولیه‌ی بیماریهای این عروق انجام می‌شود که برای پیگیری کاهش مقاومت عروق ریوی نیز لازم است تا این پارامتر مجددا اندازه‌گیری شود. در حال حاضر تنها معیار برای اندازه‌گیری این پارامتر، استفاده از روش‌های کاتتریسم است که روشی تهاجمی بوده و با عوارض جانبی زیادی همراه است. هدف از انجام این تحقیق، ارائه‌ی یک روش غیرتهاجمی به جای روش تهاجمی کاتتریزاسیون قلبی، از طریق پیش‌بینی مقاومت عروق ریوی بر مبنای داده‌های اکوکاردیوگرافی توسط شبکه‌های عصبی مصنوعی می‌باشد. این تحقیق روی 591 بیمار صورت گرفته است. پس از انجام اکوکاردیوگرافی برای تمامی بیماران، داده‌های اکوکاردیوگرافی (mPAP، dPAP، sPAP، PCWP، CO) به عنوان ورودی شبکه‌ی عصبی و مقاومت عروق ریوی تمام بیماران (حاصل از کاتتریزاسیون قلبی) به عنوان خروجی شبکه‌ی عصبی مورد ارزیابی قرار گرفته و در نهایت ارتباط بین داده‌های اکوکاردیوگرافی و PVRcath به دست آمده است. برای بررسی عملکرد شبکه‌ی عصبی پیشنهادی، به طور معمول از 75% داده‌ها برای آموزش و از 25% داده‌ها برای آزمون استقاده شده و همچنین برای آموزش بهتر شبکه‌ی عصبی، این نسبت‌ها تغییر داده شده است. در نتایج پیاده‌سازی، میانگین مربعات خطا به ترتیب برای داده‌های آموزش و آزمون شبکه‌ی عصبی پیشنهادی در مدل اول برابر با 37/0 و 27/0، در مدل دوم برابر با 67/14 و 76/10 و در مدل سوم برابر با 82/15 و 58/9 به دست آمده است.
