شبکه عصبی / شبکه عصبی بیولوژیکی و مصنوعی
حسین بانکی کشکی؛ سیدعلی سیدصالحی
دوره 15، شماره 3 ، آذر 1400، ، صفحه 199-209
چکیده
ارائه‌ی مدل‌های نورونی جدید به منظور شبیه‌سازی پدیده‌های شناختی در مغز در سال‌های اخیر مورد توجه پژوهش‌گران قرار گرفته است. در این پژوهش مدل نورونی جدیدی مبتنی بر رفتار آشوب‌گونه‌ی وزن‌های شبکه‌های عصبی مصنوعی در حین یادگیری با استفاده از الگوریتم پس‌انتشار خطا ارائه شده است. این مدل نخستین مدل نورونی گسسته با قابلیت یادگیری ...
بیشتر
ارائه‌ی مدل‌های نورونی جدید به منظور شبیه‌سازی پدیده‌های شناختی در مغز در سال‌های اخیر مورد توجه پژوهش‌گران قرار گرفته است. در این پژوهش مدل نورونی جدیدی مبتنی بر رفتار آشوب‌گونه‌ی وزن‌های شبکه‌های عصبی مصنوعی در حین یادگیری با استفاده از الگوریتم پس‌انتشار خطا ارائه شده است. این مدل نخستین مدل نورونی گسسته با قابلیت یادگیری است و توانایی بروز رفتارهای پیچیده و آشوبی را دارد. قابلیت یادگیری این امکان را به این مدل نورونی داده است که پدیده‌های شناختی مانند همآوایی نورونها را در شرایطی نزدیک به واقعیت شبیه‌سازی کند. مدل نورونی مذکور که از یک شبکه‌ی عصبی جلوسوی سهلایه به دست آمده، دارای جاذبهای همزیست متعددی است که یادگیری را در بستر جذبهای مختلف امکانپذیر میکند. بررسی پارامترهای مدل نشان داده که بایفورکیشن نه تنها با تغییر پارامتر ضریب یادگیری روی میدهد، بلکه تحریک بیرونی نیز می‌تواند به عنوان یک پارامتر کنترل باعث تغییر رفتار مدل و بایفورکیشن شود. بنابراین این مدل می‌تواند در طراحی و مدلسازی روش‌های درمانی برای اختلالات شناختی مورد استفاده قرار گیرد.
شبکه عصبی / شبکه عصبی بیولوژیکی و مصنوعی
سیده صدف رضوی نژاد؛ امیرمحمد فلاح؛ سیدابوالقاسم میرروشندل
دوره 14، شماره 4 ، بهمن 1399، ، صفحه 307-320
چکیده
دیابت یک بیماری شایع در سراسر جهان است. این بیماری، سخت، غیرقابل علاج و در عین حال قابل کنترل بوده و از این رو کنترل و پیش‌گیری از عوارض آن امری مهم است. به همین دلیل استفاده از روش‌های هوشمند با خطای پایین برای پیش‌بینی میزان قند خون و از همه مهم‌تر جلوگیری از عوارض خطرناک آن یک مساله‌ی مهم در کنترل بهتر این بیماری است. با توجه به ...
بیشتر
دیابت یک بیماری شایع در سراسر جهان است. این بیماری، سخت، غیرقابل علاج و در عین حال قابل کنترل بوده و از این رو کنترل و پیش‌گیری از عوارض آن امری مهم است. به همین دلیل استفاده از روش‌های هوشمند با خطای پایین برای پیش‌بینی میزان قند خون و از همه مهم‌تر جلوگیری از عوارض خطرناک آن یک مساله‌ی مهم در کنترل بهتر این بیماری است. با توجه به روش‌های مختلف ارائه شده در این زمینه، در این مقاله نیز دو مدل با استفاده از ره‌یافت یادگیری عمیق ارائه شده که نتایج آن کارآمد و بهینه است. این دو مدل پیشنهادی از ترکیب‌های متفاوتی از شبکه‌های عصبی حافظه‌ی طولانی کوتاه‌مدت و پیش‌خور تشکیل شده و میزان قند خون آتی بیمار را با دقت و سرعت قابل توجهی پیش‌بینی می‌کنند. در این راستا از 81.200 داده‌ی میزان قند خون 203 بیمار به همراه 27 مشخصه‌ی موثر بر میزان قند خون استفاده شده است. هم‌چنین به منظور ارزیابی دقیق از روش اعتبارسنجی متقابل مناسب برای سری زمانی استفاده شده و نتایج حاصل از اجرای مدل‌ها نشان داده که مدل میانگین متحرک خودهمبسته‌ی یک‌پارچه با توجه به این حجم از داده و ضعف سخت‌افزاری سیستم پیاده‌سازی شده قادر به پیش‌بینی میزان قند خون نبوده در حالی که کارایی و سرعت عمل‌کرد مدل‌های مبتنی بر یادگیری عمیق قابل قبول است. هم‌چنین با توجه به نتایج به دست آمده مدل پیشنهادی دوم برای افق‌های پیش‌بینی 5، 10 و 15 دقیقه به ترتیب 8/13%، 16% و 9/18% بهتر از مدل پیشنهادی اول عمل کرده و مدل قابل اعتمادتری برای پیش‌بینی میزان قند خون است. از این رو مدل پیشنهادی دوم می‌تواند در سیستم‌های هوشمند هشداردهنده برای پیش‌گیری از وقوع هیپوگلیسمی که از عوارض خطرناک و شایع بیماری دیابت نوع یک است مورد استفاده قرار گیرد.
شبکه عصبی / شبکه عصبی بیولوژیکی و مصنوعی
حامد عباسی؛ شاهرخ شجاعی؛ نسیم نادری
دوره 13، شماره 2 ، شهریور 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.
