شبکه عصبی مصنوعی برای ارزیابی خطر اختلالات حرکتی در نوزادان

Authors

  • بیگلریان, اکبر دانشگاه علوم بهزیستی و توانبخشی
  • تیموری, رباب دانشگاه علوم بهزیستی و توانبخشی
  • سلیمانی, فرین دانشگاه علوم بهزیستی و توانبخشی
  • همتی, ساحل دانشگاه علوم بهزیستی و توانبخشی
Abstract:

 Background: Prediction of developmental disorders in infancy is very important. This study aimed to predict movement disorders of children using Artificial Neural Network (ANN) model. Methods: This was a retrospective study, in which 600 infants with normal and 120 infants with abnormal neurologic examination were evaluated. For analysis, the data divided the study group randomly into two equal parts, training and testing. At first the learning process was made on training set (360 cases). After the learning process, testing phase was done with the testing data set (360 cases). All data analysis was carried out by R 14.1 software. Results: For comparing the accuracy of the models' prediction, the accuracy classification table was used for the testing subset. The concordance indexes showed that the ANN model led to more accurate predictions compared to the LR model (true prediction with or without developmental disorder was 78.6% vs. 73.9%). The under Receiver Operating Characteristic (ROC) curves, calculated from testing data, for ANN and LR model were 0.71 and 0.68, respectively. In addition, specificity and sensitivity of the ANN model vs. LR model was calculated 88.0% vs. 85.0% and 31.7% vs. 18.3%, respectively. Conclusions: The ability of ANN and LR predictions to identify infants without developmental disorder is similar but the ability of the ANN predictions to identify infants with developmental disorder is better than LR predictions. 

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

کاربرد مدل شبکه عصبی مصنوعی در پهنه‌بندی خطر زمین‌لغزش

ین‌لغزش به­عنوان یکی از مخاطرات طبیعی در مناطق کوهستانی محسوب می‌شود که هر ساله منجر به خسارات زیادی می‌شود. حوضه آبریز دوآب الشتر با داشتن چهره‌ای کوهستانی و مرتفع و شرایط طبیعی مختلف دارای استعداد بالقوه زمین‌لغزش است. هدف از این تحقیق پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل شبکه عصبی مصنوعی در حوضه دوآب الشتر می‌باشد. بدین منظور ابتدا پزمارامترهای مؤثر در وقوع زمین‌لغزش استخراج و سپس لایه‌...

full text

مدل شبکه عصبی مصنوعی برای تخمین رسوب‌دهی حوزه‌های آبخی‍ز

امروزه رسوب‌دهی حوزه‌های آبخیز از جمله مشکلات بهره‌برداری از منابع آب‌های سطحی در جهان است. با توجه به نقش و اهمیت رسوب در عمر مفید سدهای کشور، عدم توجه به اندازه‌گیری و محاسبه دقیق آن، باعث اتلاف سرمایه‌های ملی می‌شود. بدیهی است که دقت تخمین میزان رسوب‌دهی، بستگی زیادی به روش‌های محاسباتی، معادلات ارائه شده و داده‌ها یا اطلاعات تخمین رسوب دارد. چون عوامل مختلفی در فرسایش و تولید رسوب مؤثر است ...

full text

پیش بینی احتمال مرگ‌ومیر نوزادان نارس بستری در بخش مراقبت‌های ویژه نوزادان بیمارستان قائم با استفاده مدل شبکه عصبی مصنوعی

Background and purpose: Despite rapid progress in medical treatments and acute care technology during the past 30 years alongside increasing costs of medical care, the analysis of outcomes such as mortality risk have been a challenge in intensive care units. The purpose of this study was to predict the mortality rate of premature infants in neonatal intensive care unit (NICU) using artificial n...

full text

کاربرد روش شبکه عصبی مصنوعی و مدل‌های واریانس ناهمسانی شرطی در محاسبه ارزش در معرض خطر

ریسک بازار از عدم اطمینان در خصوص بازدهی آتی دارائی‌ها در بازار نشأت می‌گیرد. امروزه معیارهای مختلفی برای بررسی انواع ریسک مرتبط با بازار، سبدهای مختلف دارائی، صنایع و ... به کار می‌روند. اما هر چند این معیارهای مختلف، اطلاعات ارزشمندی را برای فعالان بازار به همراه می‌آورند، لیکن هر یک به تنهایی نمی‌توانند اطلاعات جامع و کاملی را در خصوص ریسک بازار و یا سبد سهام به دست دهند. به همین منظور، «ارز...

full text

ارزیابی کارایی مدل شبکه عصبی مصنوعی برای ریزمقیاس نمایی و پیش‌بینی بلندمدت متغیرهای اقلیمی

Atmosphere–ocean coupled global climate models (GCMs) are the main source to simulate the climate of the earth climate. The computational grid of the GCMs is coarse and so, they are unable to provide reliable information for hydrological modelling. To eliminate such limitations, the downscaling methods are used. The present study is focused on simulating the impact of climate change on the beha...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 20  issue 115

pages  31- 38

publication date 2014-01

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023