رکوردهای مرتبط با این شخص

بهبود تشخیص حیات و مرگ بیماران قلبی با استفاده از روش‌های یادگیری ماشین و انتخاب ویژگی (1401) / مزروعی ، فائزه، نویسنده

نوع مدرک: متون چاپی سرشناسه مزروعی ، فائزه، نویسنده رده‌بندی کنگره : ‭COM soft ‭47 عنوان : بهبود تشخیص حیات و مرگ بیماران قلبی با استفاده از روش‌های یادگیری ماشین و انتخاب ویژگی عنوان موازی : Improving the Prediction of Survival and Failure of Heart Patients using Machine Learning and Feature Selection ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 77ص شابک/شاپا 24532 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها شبکه‌ عصبی پرسپترون، تشخیص بقای بیماران قلبی، انتخاب ویژگی، عدم توازن داده  Perceptron Neural Network, Survival Diagnosis of Cardiac Patients, Feature Selection, Data Imbalance. چکیده : بیماری‌های قلبی عروقی، مجموعه‌ای از اختلالات هستند که عامل اصلی ناتوانی و مرگ زودرس در سراسر جهان محسوب ‌می‌شوند. اغلب بیماری‌ها از جمله بیمارهای قلبی، بواسطه تشخیص زودهنگام قابل کنترل و درمان‌پذیر هستند؛ اما حجم رو به رشد بیمارهای مختلف در سراسر جهان معضلی در تشخیص به موقع ‌آن‌ها است که عامل اصلی طراحی سیستم‌های هوش مصنوعی و یادگیری ماشین در راستای کمک به پزشکان است. اکثر سیستم‌های ارائه شده در این خصوص مبتنی بر تکنیک‌های یادگیری ماشین سنتی مثل درخت تصمیم، جنگل تصادفی و روش‌هایی از این قبیل هستند؛ که در داده‌های پزشکی به دلیل ماهیت چالش برانگیز آن‌ها مثل عدم توازن داده‌ها، عملکرد چندان موفقی از خود نشان نمی‌دهند. از اینرو در این تحقیق یک روش تشخیص بقای بیماران قلبی مبتنی بر شبکه عصبی چند لایه پرسپترون طراحی شده است که در آن به چالش عدم توازن داده‌ها توجه شده است. در این روش برای رفع این مشکل از تکنیک بیش نمونه‌گیری Borderline SMOTE استفاده شده است. همچنین برای رسیدن به بهترین نتایج یک مرحله انتخاب ویژگی مبتنی بر الگوریتم حداقل افزونگی- حداکثر همبستگی طراحی شده است؛ که می‌تواند منجر به رسیدن به بهترین داده‌های بالینی بیماران شود. نتایج ارزیابی مدل پیشنهاد شده بر روی داده‌های heart failure در مخزن UCI، نشان می‌دهد مدل پیشنهادی در تشخیص بقای بیماران به صحت 96.33‌% و دقت 95.22‌% دست یافته است؛ که در مقایسه با 6 روش یادگیری ماشین سنتی بطور میانگین بالغ بر 11‌% صحت را بهبود داده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13606 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
24532	‭COM soft ‭47	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت