| نوع مدرک: | متون چاپی |
| سرشناسه | حقیقی ، مسعود، نویسنده |
| شماره بازیابی : | COM soft 77 1402 |
| عنوان : | تشخیص بیماری سپسیس در مراحل اولیه با استفاده از یادگیری عمیق و شبکه چند لایه پرسپترون |
| عنوان موازی : | Sepsis diagnosis in early stages using deep learning and multi-layer perceptron network |
| ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
| سال نشر : | 1402 |
| صفحه شمار: | 85ص |
| شابک/شاپا | 25599 |
| یادداشت | پایان نامه کارشناسی ارشد :در رشته مهندسی کامپیوترگرایش نرم افزار |
| شناسه افزوده : | اکبری ، مهدی، استاد راهنما |
| توصیفگرها | بیش نمونه‌گیری مرزی، شبکه عصبی عمیق ترکیبی، بیماری سپسیس، انتخاب ویژگی تجزیه و تحلیل همسایگی.
Borderline oversampling, Hybrid Deep Neural Network, Sepsis Disease, Neighborhood Analysis Feature Selection. |
| چکیده : | بیماری سپسیس پاسخ بدن فرد، به عفونت است که دارای نرخ مرگ بالایی است. درمان این بیماری بسیار وابسته به زمان تشخیص آن است، و تشخیص به موقع نرخ بقای بیمار و را به شدت افزایش داده و همچنین از آسیب جدی به اندام‌های بیمار به خوبی جلوگیری می‌کند. اثرات جبران ناپذیر تشخیص دیرهنگام بیماری سپسیس باعث شده محققان مختلف از روش‌های مبتنی بر هوش مصنوعی و یادگیری ماشین در راستای تشخیص به موقع آن استفاده کنند. اکثر مدل‌های مطرح مبتنی بر روش‌های یادگیری ماشین سنتی مثل نزدیکترین همسایه، ماشین بردار پشتیبان، درخت تصمیم، بیز ساده و از این قبیل هستند؛ که در آن‌ها به دو مشکل عدم توازن داده‌ها و انتخاب ویژگی پرداخته نشده است و از اینرو این روش‌ها چندان موفق عمل نمی‌کنند. در این تحقیق در راستای رفع محدودیت‌های فوق از شبکه‌های عصبی عمیق و دو مرحله پیش پردازش شامل انتخاب ویژگی و بیش نمونه‌گیری جهت تشخیص بهینه بیماری سپسیس استفاده شده است. در مدل پیشنهاد شده از شبکه عصبی بازگشتی با سه واحد پنهان BiLSTM ، GRU و LSTM و شبکه عصبی عمیق چند لایه پرسپترون به صورت انفرادی و گروهی برای تشخیص زود هنگام بیماری سپسیس استفاده شده است. در دو مرحله پیش پردازش در مدل پیشنهادی، از 4 روش بیش نمونه‌گیری مختلف شامل SMOTE, Borderline SMOTE, Safe Level SMOTE و ADASYN و سه روش انتخاب ویژگی مختلف شامل Relief, NCA و Forward Sequential برای رفع مشکل عدم توازن داده‌ها و کاهش ابعاد داده‌ها استفاده شده است. نتایج مدل پیشنهادی بر روی داده‌های بیماری سپسیس PhysioNet2019 نشان می‌دهد در بین روش‌های عمیق انفرادی شبکه بازگشتی با واحد GRU بهترین عملکرد را دارد و بسته به تکنیک انتخاب ویژگی صحتی بین 87% تا 8/91% ارائه می‌دهد. نتایج مدل پیشنهادی نشان می‌دهد ترکیب چند شبکه عصبی باعث شده صحت تشحیص بیماری سپسیس به 5/94% افزایش یابد که با انتخاب ویژگی NCA و بیش نمونه گیری مرزی Borderline و ترکیب شبکه های عصبی حاصل شده است. نتایج نشان می‌دهد مدل پیشنهادی در مقایسه با روش‌های یادگیری ماشین سنتی نیز عملکرد بهتری در تشخیص بیماری سپسیس دارد |
| لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=14435 |
| زبان مدرک : | فارسی |
تشخیص بیماری سپسیس در مراحل اولیه با استفاده از یادگیری عمیق و شبکه چند لایه پرسپترون (1402) / حقیقی ، مسعود، نویسنده