تشخیص بیماری عروق کرنری قلب با استفاده ازشبکه عصبی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 543

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NSOECE02_035

تاریخ نمایه سازی: 30 دی 1394

چکیده مقاله:

انتخاب روش مناسب برای مدل سازی و تحلیل داده های سلامت و بهداشت، مبتنی بر نوع داده های موجود، بسیار مهم و در مواردی بسیارحساس است . تحقیق حاضر باهدف تعیین بسته بودن یا نبودن عروق کرنری قلب بر اساس شبکه عصبی انجام شد. این روش به علت ویژگی بالا می تواند از عوارض و آسیب های احتمالی آنژیوگرافی در بیمارانی که نیاز به آن ندارند جلوگیری نماید . از طرف دیگر می تواندبیمارانی که به طور واقعی به این اقدام تشخیصی و درمانی نیاز دارند را تشخیص دهد . در این تحقیق از شبکه عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار خطا جهت ارزیابی وضعیت بیماری عروق کرنری قلب در بین 222 نفر از بیماران یکی از مراکز تخصصی قلب شهرستان تربت حیدریه استفاده شد. شبکه عصبی مصنوعی با ساختار 11 31 11 1 به عنوان بهترین ساختار معماری مورد استفاده قرار گرفت. برای طراحی شبکه عصبی مصنوعی از نرم افزار متلب وبرای تحلیل داده ها از نرم افزار spss استفاده شد. با این روش توانستیم با دقت ٪5858 بسته بودن عروق کرنر قلبی را پیش بینی کنیم

کلیدواژه ها:

بیماری عروق کرنری قلب ، شبکه عصبی مصنوعی ، پرسپترون چند لایه

نویسندگان

ایمان ذباح

کارشناسی ارشد هوش مصنوعی، هیات علمی کامپیوتر دانشگاه آزاد اسلامی تربت حیدریه

مرتضی نکوئی بنهنگی

کارشناسی کامپیوتر، دانشگاه آزاد اسلامی تربت حیدریه

سیدحامدرضا جعفرزاده

متخصص قلب و عروق

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Zhang G, Patuwo B. Forecasting with Artificial Neural Networks: The ...
  • Dunne RA, Wiley J, Inc S. A Statistical Approach to ...
  • Livingstone DJ, Totowa NJ. Artificial Neural Networks Methods and Application. ...
  • Zini G, d?Onofrio G. Neural network in hematopoietic malignancies. Clin ...
  • SamadiS, Nazifi M, Abbaspour S. Estimating the Duration of Treatment ...
  • Menhaj MB. Computational intelligence, fundamentals of neural network. 2d Ed. ...
  • George J, Ahmed A, Patnaik M, Adely Y, Levy Y, ...
  • Falk CT. Risk factors for coronary artery disease and the ...
  • Itchhaporia D, Snow PB, Almassy RJ, Oetgen WJ. Artificial neural ...
  • Mohammadp Our Tahamtan RA, Babaee GR, Mahmodi M, Memariani A, ...
  • Lin X, Ryan L, Sammel M, Zhang D, Padungtod C, ...
  • Catalano PJ, Ryan LM. Bivariate latent variabe models for clustered ...
  • Mateo J, Rieta JJ. Application of artificial neural networks for ...
  • Kurt I, Ture M, Kurum AT. Comparing performances of logistic ...
  • Sargent DJ. Comparison of artificial neural networks with other statistical ...
  • Jacobs, R. A., Jordan, M. I., Nowlan, S. J., and ...
  • .Fact sheet No 310 :The top ten causes of death. ...
  • 3.Amani F, Kazemnejad A, Habibi R, Hajizadeh E. Patter of ...
  • Anderson A. An introduction o neural networ, Cambridge, MA: MIT ...
  • Mobley BA, Schechter E, Moore WE, McKee PA, Eichner JE. ...
  • Biglarian A, Hajizadeh E, Kazemnejad A. Comparison of Artificial Neural ...
  • نمایش کامل مراجع