کاربرد شبکه عصبی مصنوعی در ÷یش بینی پاسخ های دو متغیره آمیخته در بیماری تصلب شرائین
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه علوم بهزیستی و توانبخشی - پژوهشکده آمار
- author مهین عادلی
- adviser اکبر بیگلریان
- Number of pages: First 15 pages
- publication year 1391
abstract
چکیده مقدمه و اهداف: در مطالعات اپیدمیولوژی و پزشکی، گاهی پژوهش گر با مواردی مواجه می شود که لازم است دو متغیر پاسخ را به صورت توام (همزمان) از روی تعدادی متغیر کمکی پیش بینی نماید. زمانی که متغیر پاسخ آمیخته باشد، با توجه به محدودیت ها و برقرار نبودن برخی پیش فرض ها، روش های کلاسیک آماری برای مدل بندی و پیش بینی کارایی لازم را ندارند. هدف این مطالعه به کارگیری مدل شبکه عصبی مصنوعی برای پیش بینی متغیر پاسخ آمیخته در بیماری قلبی است. روش کار: در پاییز و زمستان 1390، تعداد 276 بیمار قلبی که از بیمارستان شهید مدنی خرم آباد ترخیص شده بودند به صورت کوهورت تاریخی مورد مطالعه قرار گرفتند، از این نمونه برای پیش بینی توام کلسترول و سطح ldl استفاده شد. داده ها به تصادف به دو گروه آموزش(175 نفر) و آزمون(91 نفر) تقسیم شدند. برای تحلیل داده ها از شبکه عصبی مصنوعی با الگوریتم شیب توام مقیاس شده(scg) و برای تعیین مناسب ترین مدل از معیار صحت پیش بینی استفاده شد. برای تحلیل از نرم افزار matlab نسخه 11/7 استفاده شد. نتایج: بالاترین صحت پیش بینی برای مدل شبکه عصبی مصنوعی چهار لایه برای متغیر پاسخ آمیخته برابر 76/41 درصد به دست آمد. نتیجهگیری: مدل شبکه عصبی مصنوعی با دو لایه میانی برای پیش بینی متغیر پاسخ آمیخته مناسب است. واژگان کلیدی: شبکه عصبی مصنوعی، پاسخ آمیخته، بیماری قلبی، کلسترول، سطح ldl
similar resources
کاربرد مدل شبکه عصبی مصنوعی در پیش بینی پاسخ های آمیخته بیماری قلبی
زمینه و هدف: در مطالعات اپیدمیولوژی و پزشکی، گاهی پژوهشگر با مواردی مواجه میشود که لازم است دو متغیر پاسخ را به صورت توام (همزمان) از روی تعدادی متغیر کمکی پیشبینی نماید. زمانی که متغیر پاسخ آمیخته باشد، با توجه به محدودیتها و برقرار نبودن برخی پیش فرضها، روشهای کلاسیک آماری برای مدلبندی و پیشبینی کارایی لازم را ندارند. هدف این مطالعه بکارگیری مدل شبکه عصبی مصنوعی برای پیشبینی متغیر پاس...
full textطراحی شبکه عصبی مصنوعی برای مدلبندی پاسخ‌های دو متغیره آمیخته و کاربرد آن در داده‌های پزشکی
Background & Objective: Mixed outcomes arise when, in a multivariate model, response variables measured on different scales such as binary and continuous. Artificial neural networks (ANN) can be used for modeling in situations where classic models have restricted application when some of their assumptions are not met. In this paper, we propose a method based on ANNs for modeling mixed binary a...
full textطراحی شبکه عصبی مصنوعی برای مدل بندی پاسخ های دو متغیره آمیخته و کاربرد آن در داده های پزشکی
مقدمه و اهداف: زمانی که در یک مطالعه متغیرهای پاسخ دارای مقیاس اندازه گیری متفاوت باشند، پاسخ ها را چندمتغیره آمیخته می گویند. با توجه به محدودیت ها و برقرارنبودن برخی پیش فرض ها، روش های کلاسیک آماری برای مدل بندی و پیش بینی این نوع پاسخ ها کارایی ندارند. هدف این مطالعه، طراحی شبکه عصبی مصنوعی برای مدل بندی و پیش ینی پاسخ های دومتغیره آمیخته است. روش کار: این مطالعه شامل سه مرحله طراحی مدل، شب...
full textمقایسه دقت پیش بینی شبکه های عصبی مصنوعی و رگرسیون لجستیک دو متغیره در تشخیص همزمان بیماری فشارخون و دیابت
Background : Diabetes and hypertension are from important non-communicable diseases in the world and their prevalence are very important for health authorities. The objective of this study was to compare the predictive precision of joint logistic regression (LR) and artificial neutral network (ANN) in concurrent diagnosis of diabetes and hypertension. Methods : This cross-sectional study wa...
full textکاربرد شبکه های عصبی مصنوعی در پیش بینی بارش زمستانه
پیشبینی بارش یکی از مهم‌ترین مسائل در زمینه مدیریت بهینه منابع آب در بخش‌های مختلف نظیر صنعت، شرب و کشاورزی است. پیش بینی بارش می تواند باعث جلوگیری از تلفات و خسارات ناشی از بلایای طبیعی شود. هدف از تحقیق حاضر پیشبینی بارش زمستانه استان خراسان رضوی با استفاده از شبکه‌های عصبی مصنوعی می‌باشد. بدین منظور، ابتدا سری زمانی بارش متوسط منطقه‌ای به روش کریجینگ در طول دوره آماری به دست آورده شد. سپس...
full textکاربرد مدل شبکه عصبی مصنوعی در پیشبینی پاسخ‌های آمیخته بیماری قلبی
Background: In epidemiological and medical studies, sometimes researchers are faced for prediction of two response variables (simultaneously) based on a number of independent variables. When the response variable is mixed, according to established limits and absence of assumption, the classical statistical methods are not enough efficient for classification and prediction goals. The p...
full textMy Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه علوم بهزیستی و توانبخشی - پژوهشکده آمار
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023