| نوع مدرک: | متون چاپی |
| سرشناسه | اکبری ، زهرا، نویسنده |
| رده‌بندی کنگره : | COM soft 62 |
| عنوان : | تشخیص بیماری آریتمی قلبی با استفاده از مدل یادگیری ماشین |
| عنوان موازی : | Diagnosis of arrhythmic disease using machine model |
| ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
| سال نشر : | 1401 |
| صفحه شمار: | 72ص |
| شابک/شاپا | 24547 |
| یادداشت | پایان‌نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار |
| شناسه افزوده : | نعمت بخش ، ناصر، استاد راهنما یراقی ، شکوفه، استاد مشاور |
| توصیفگرها | بیماری آریتمی قلبی، مدل‌های یادگیری ماشین، دستگاه الکتروکاردیوگراف cardiac arrhythmia disease, machine learning models, electrocardiograph device |
| چکیده : | بیماری آریتمی قلبی یکی از شایع‌ترین بیماری‌های قلبی است که رشد سریع بیماری، اثرات، عوارض و هزینه‌های جبران ناپذیری بر شخص و جامعه به همراه دارد. همین موضوع باعث شده که جامعه پزشکی به دنبال روش‌هایی برای تشخیص درست و به موقع این بیماری باشند تا با شناسایی زودهنگام، از این بیماری جلوگیری کنند. تکنیک‌های داده‌کاوی در زمینه پزشکی مخصوصا در تشخیص بیماری‌های قلبی رشد چشم‌گیری داشته است. به صورتیکه استفاده از این تکنیک‌ها بر روی حجم زیادی از داده باعث کشف دانش و الگوهای پنهان موجود در بین این داده‌ها شده و به تشخیص به موقع بیماری کمک می‌کند. هدف در این پایان‌نامه تشخیص بیماری آریتمی قلبی با استفاده از روش‌های یادگیری ماشین است. به صورتیکه با استفاده از ترکیب تکنیک‌ها و مدل‌های یادگیری ماشین با مدل ترکیبی و پیاده‌سازی آن‌ها روی مجموعه داده آزمایشی، روشی برای پیش‌بینی زودهنگام و تشخیص بیماری آریتمی قلبی با بالاترین دقت طراحی شود. مجموعه داده استفاده شده در این پایان‌نامه، جهت تشخیص بیماری آریتمی قلبی از داده‌های مرکز UCI است؛ که از بیمارستان‌های سطح کشور سوئد جمع‌آوری شده است. این مجموعه داده آریتمی قلبی شامل اطلاعات 452 بیمار و دارای 279 ویژگی است. در این پایان‌نامه هدف تشخیص هایپرپارامترهای بهینه روش‌های یادگیری ماشین و استفاده از آن‌ها به عنوان ورودی مدل ترکیبی است تا روشی با بالاترین نرخ دقت در تشخیص بیماری آریتمی قلبی پیدا شود. در نهایت نتایج ارزیابی به ما نشان می‌دهد که با پیداکردن هایپرپارامترهای بهینه‌ی روش درخت تصمیم و استفاده از این هایپرپارامترهای بهینه به عنوان ورودی مدل ترکیبی بسته‌بندی می‌توان به بهینه‌ترین روش با نرخ دقت (00/1) رسید. همچنین این روش در مقایسه با نتایج قبلی توانسته است بالغ بر 7% نرخ دقت را بهبود بخشد |
| لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=13622 |
| زبان مدرک : | فارسی |
تشخیص بیماری آریتمی قلبی با استفاده از مدل یادگیری ماشین (1401) / اکبری ، زهرا، نویسنده