استفاده از شبکه عصبی رگرسیون عمومی در تشخیص سطح حیات بیماران قلبی از طریق پارامترهای ژنتیکی و بالینی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 769

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:

COMPUTER02_045

تاریخ نمایه سازی: 2 تیر 1395

چکیده مقاله:

در دهه های اخیر، چندین ابزار و روش های مختلف توسط محققان برای توسعه سیستم های پشتیبانی تصمیم گیری پزشکی مؤثر پیشنهاد شده است. تشخیص در بیماری های قلبی یکی از مهمترین مسائلی است و بسیاری از محققان به منظور توسعه سیستم های پشتیبانی تصمیم گیری پزشکی هوشمند به منظور بهبود توانایی از پزشکان، آن را مورد بررسی قرار دادند. هدف از این پژوهش، توسعه شبکه عصبی مصنوعی برای ایجاد مدلی های تشخیصی در بیماری عروق کرونر قلب با استفاده از مجموعه ای از عوامل سنتی و ژنتیکی این بیماری می باشد. پایگاه داده اصلی برای شبکه های عصبی مصنوعی شامل بالینی، آزمایشگاهی، کاربردی، پلی مورفیسم تک نوکلئوتیدی، کرونر آنژیوگرافی و ژنتیکی که از اطلاعات 352 نفر بیمار می باشد. بهترین دقت با یک توپولوژی شبکه های عصبی رگرسیون عمومی با دقت بالای 94 درصد را برای مدل مربوطه ما می باشد.

نویسندگان

محمدرضا یمقانی

عضو هیئت علمی گروه کامپیوتر دانشگاه آزاد اسلامی واحد لاهیجان، گیلان، ایران

هادی ویشکی نژاد

دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد رشت، گیلان، ایران- ارائه دهنده

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 :
  • Wilson PWF, Castelli WP, Kannel WB. Coronary risk prediction in ...
  • Sunghwan Sohn and Cihan H. Dagli, (2004) Ensemble of Evolving ...
  • Murphy, P. M. and Aha, D. W. 2012. UCI Machine ...
  • S. Haykin, Neural Networks A Comprehensive Foundation, 2nd Edition, Prentice ...
  • Niti Guru, Anil Dahiya, Navin Rajpal, Decision Support System for ...
  • Young ME. Anticipating anticipation: pursuing identification of cardiomyocyte circadian clock ...
  • Malhotra S, Gupta M, Chandra KK, Grover A, Pandhi.P Prehospital ...
  • Baxt WG. Application of artificial neural networks to clinical medicine. ...
  • Palaniappan S, Awang R. Intelligent heart disease prediction system using ...
  • Hanbay, _ Turkoglu, I., & Demir, Y. (2011). An expert ...
  • نمایش کامل مراجع