دوره 3، شماره 4 - ( 1397 )
جلد 3 شماره 4 صفحات 331-320 |
برگشت به فهرست نسخه ها
دانشیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران
چکیده: (2868 مشاهده)
زمینه و هدف: با توجه به شیوع زیاد بیماری‌های قلبی عروقی در کشور و زیاد بودن بار مرگ و میر این بیماری، پیش بینی صحیح وضعیت بیماری افراد از اهمیت زیادی برخوردار است، لذا برای این پیش بینی بایستی از مدل‌هایی استفاده کرد که دارای حداقل خطا و حداکثر اطمینان باشد. از این‌رو در این مطالعه از روش شبکه عصبی مصنوعی جهت ارزیابی مبتلا بودن افراد به سکته قلبی و نارسایی احتقانی استفاده شد.
روش پژوهش: در مطالعه مقطعی حاضر ابتدا تمام پرونده‌های 2 سال اخیر بیماران قلبی بیمارستان آیت الله گلپایگانی قم ( 497 نفر) مورد بررسی قرار گرفت. 19 ویژگی مهم از پرونده‌ها استخراج و از شبکه عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار خطا جهت ارزیابی وضعیت بیماری قلبی استفاده شد. تابع انتقال سیگموئید و تانژانت سیگموئید انتخاب و با تعداد 19 نورون لایه ورودی، 6 نورون لایه میانی و 75 درصد داده‌های موجود، شبکه عصبی در Matlab آموزش داده شد.
یافته‌ها: در ابتدا میانگین مربعات خطا 0/35 بود که با نرمال سازی داده‌ها از طریق روش کمینه بیشینه به 0/04 کاهش یافت و مدل ارائه شده به دقت 89/50 درصد دست پیدا کرد. با توجه به نتایج به دست آمده و مناسب بودن مقادیر حساسیت و ویژگی، مدل پیشنهادی می‌تواند سکته قلبی و نارسایی احتقانی را به درستی طبقه بندی کند.
نتیجه گیری: این مطالعه شبکه عصبی را طراحی کرد که با دقت مناسب بیماری قلبی را پیش بینی کرد. این پیش بینی بر اساس استفاده از یک سری متغیرهای فردی و بالینی مانند سن، جنسیت، تنگی نفس، تغییرات فشارخون و تعدادی آزمایش خون انجام شد. در این پژوهش سعی شد که از فاکتورهای مهم و کم هزینه جهت پیش بینی بیماری قلبی استفاده شود به‌طوریکه با کمترین هزینه شخص می‌تواند از بیماری خود اگاهی پیدا کند.
روش پژوهش: در مطالعه مقطعی حاضر ابتدا تمام پرونده‌های 2 سال اخیر بیماران قلبی بیمارستان آیت الله گلپایگانی قم ( 497 نفر) مورد بررسی قرار گرفت. 19 ویژگی مهم از پرونده‌ها استخراج و از شبکه عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار خطا جهت ارزیابی وضعیت بیماری قلبی استفاده شد. تابع انتقال سیگموئید و تانژانت سیگموئید انتخاب و با تعداد 19 نورون لایه ورودی، 6 نورون لایه میانی و 75 درصد داده‌های موجود، شبکه عصبی در Matlab آموزش داده شد.
یافته‌ها: در ابتدا میانگین مربعات خطا 0/35 بود که با نرمال سازی داده‌ها از طریق روش کمینه بیشینه به 0/04 کاهش یافت و مدل ارائه شده به دقت 89/50 درصد دست پیدا کرد. با توجه به نتایج به دست آمده و مناسب بودن مقادیر حساسیت و ویژگی، مدل پیشنهادی می‌تواند سکته قلبی و نارسایی احتقانی را به درستی طبقه بندی کند.
نتیجه گیری: این مطالعه شبکه عصبی را طراحی کرد که با دقت مناسب بیماری قلبی را پیش بینی کرد. این پیش بینی بر اساس استفاده از یک سری متغیرهای فردی و بالینی مانند سن، جنسیت، تنگی نفس، تغییرات فشارخون و تعدادی آزمایش خون انجام شد. در این پژوهش سعی شد که از فاکتورهای مهم و کم هزینه جهت پیش بینی بیماری قلبی استفاده شود به‌طوریکه با کمترین هزینه شخص می‌تواند از بیماری خود اگاهی پیدا کند.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |