تعیین ویژگی های موثر در طبقه بندی سطوح کمردرد با استفاده از سیستم هوشمند

کمردرد مشکل و شکایت شایعی است که بسیاری از افراد در طول زندگی با آن روبرو می شوند. آمار نشان می دهد که?? درصد از افراد در دوران زندگی خود حداقل یک مرتبه به علت کمردرد به پزشک مراجعه کرده اند. اگرچه علت کمردرد در بسیاری از بیماران ازطریق شکایت بیمار، آزمون های بالینی و آزمایشگاهی و همچنین بخش تصویر برداری پزشکی قابل شناسایی است، ولی به دلیل شایع بودن دردهای ناحیه کمر و عوامل مختلفی که در ایجاد آن نقش دارند ، تشخیص علت اصلی به وجود آورنده کمردرد مشکل است. این تحقیق در زمینه تعیین ویژگی های موثر در کمردرد با استفاده از شبکه های عصبی هوشمند (anns) می باشد . شبکه های عصبی هوشمند مانند فرد خبره مستعد یادگیری هستند و می توانند بسیار دقیق عمل کنند . شبکه های عصبی در رشته هائی نظیر علوم عصب شناسی ، ریاضیات ، فیزیک ، علوم کامپیوتر و مهندسی کاربرد دارند و همچنین می توانند در مدلسازی ، آنالیز سری زمانی ، تشخیص الگو ، پردازش سیگنال و کنترل مورد استفاده قرار گیرند . مهمترین وی‍ژگی شبکه ی عصبی توانایی یادگیری با و یا بدون نظارت معلم می باشد . این شبکه بر توسعه مدل های پردازش توزیع شده ی موازی (pdp) اصرار دارند . این مدل ها فرض می کنند که پردازش اطلاعات از طریق اثر متقابل تعداد زیادی از نرون ها اتفاق می افتد که سیگنال های تحریکی و بازدارندگی را در شبکه به دیگر نرون ها می فرستد . لذا امیدواریم تا با تئوری این شبکه وبا استفاده از یکی از انواع آن به نام های شبکه چند لایه پرسپترون(mlp) و فازی بتوان سطوح کمردرد را از لحاظ زمانی تعیین کرد. در این تحقیق ما ویژگی های موثر در کمردرد را با استفاده از شبکه عصبی هوشمند (مانندmlp)تعیین می کنیم . و سوال اصلی تحقیق این است آیا می توان با استفاده از ویژگی هائی نظیر دامنه حرکتی ، سن ، قد ، وزن ، شدت درد ، محدودیت حرکت ، تحمل اکستانسور تنه ، تحمل فلکسور تنه ، اندیس لومبوساکرال و زاویه لوردوز کمردرد را از لحاظ زمانی به دوره های حاد ، تحت حاد و کمردرد مزمن تقسیم بندی کرد ؟ در پاسخ بایستی گفت در این تحقیق نشان خواهیم دادکه با استفاده از شبکه فازی و mlp هر نمونه با بیشترین دقت و کمترین خطا کلاسبندی می شود .پس هدف این تحقیق ، تعیین بهترین کلاس از لحاظ زمان وقوع کمردرد برای هر بیمار می باشد .