نوع مدرک: | متون چاپی |
سرشناسه | کیانی ، فرناز، نویسنده |
ردهبندی کنگره : | COM soft 60 |
عنوان : | بهبود صحت پیشبینی بقای بیماران مبتلا به سپسیس با استفاده از شبکههای عصبی پیشخور آبشاری و روش نمونه گیری |
عنوان موازی : | Improving the Accuracy of Survival Prediction of Patients with Sepsis Using Cascading Feedforward Neural Networks and Resampling Method |
ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
سال نشر : | 1401 |
صفحه شمار: | 83ص |
شابک/شاپا | 24545 |
یادداشت | پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار |
شناسه افزوده : | نعمت بخش ، ناصر، استاد راهنما زمین کار ، مینا، استاد مشاور |
توصیفگرها | بیماری سپسیس، باز نمونهگیری، شبکه عصبی پیشخور آبشاری، بیش نمونهگیری Sepsis Disease, Resampling, Cascade Feedforward Neural Network, Oversampling. |
چکیده : | بیماری سپسیس حاصل از پاسخ بدن بیمار، به عفونت است که با مرگ و میر بالا همراه است. درمان و کنترل این بیماری به شدت وابسته به زمان است، به این معنی که تشخیص زود هنگام آن نرخ بقای بیمار را افزایش داده و در مقابل تاخیر در درمان باعث افزایش مرگ و میر ناشی از آسیب غیرقابل برگشت به اندامها میشود. در سالهای اخیر بدلیل حیاتی بودن این موضوع روشهای مختلفی مبتنی بر هوش مصنوعی و یادگیری ماشین ارائه شده است. اکثر روشهای جدید مبتنی بر الگوریتمهای سنتی مثل ماشین بردار پشتیبان، بیز ساده و از این دست هستند. این روشها در دادههای پزشکی که عموما نامتوازن هستند چندان موفق عمل نمیکنند. از اینرو در این تحقیق از شبکههای عصبی برای تشخیص بقای بیماران سپسیس استفاده شده است. در مدل پیشنهاد شده از شبکه عصبی پیشخور آبشاری برای تشخیص بقا استفاده شده و همچنین از دو نوع تکنیک باز نمونهگیری شامل بیش نمونهگیری و کم نمونهگیری برای رفع مشکل عدم توازن دادهها بهره برده شده است. نتایج تجربی بر روی دادههای بیماران مبتلا به سپسیس در مخزن UCI نشان میدهد که مدل پیشنهاد شده در بخش Primary توانسته است به صحت 94.9% دست یابد که متعلق به ترکیب شبکه عصبی آبشاری و الگوریتم بیش نمونهگیری SMOTE است. همچنین ترکیب دو روش فوق توانسته است در دادههای بخش Study به صحت 84.8% دست یابد. نتایج نشان میدهد در رتبه دوم ترکیب شبکه عصبی و تکنیک کم نمونهگیری قرار میگیرد و در آخر در مدل پیشنهادی کمترین نتایج متعلق به شبکه عصبی آبشاری است که بر روی دادههای نامتوازن اصلی ارزیابی شده است |
لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=13620 |
زبان مدرک : | فارسی |