پیش بینی حملات صرع با استفاده از شبکه های عصبی مصنوعی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه شاهد - دانشکده مهندسی
- نویسنده عطیه سعیدنژاد
- استاد راهنما علی مطیع نصرآبادی
- سال انتشار 1390
چکیده
صرع یکی از مهمترین بیماری های دستگاه عصبی است که حدود 1% از مردم جهان به آن مبتلا هستند. امکان پیش بینی وقوع حملات صرعی از روی سیگنال های الکتروانسفالوگراف برای بیماران صرعی، فرصت های درمانی جدیدی را فراهم می کند. پیش بینی دقیق حملات صرعی هنوز هم غیرممکن است چرا که این حملات رفتاری آشوبگونه دارند. آشوب قابلیت پیش بینی پذیری را محدود می کند و در نتیجه، پیش بینی بلند مدت سری های زمانی آشوبگونه مسئله ی پیچیده ای است که از عوامل شناخته شده و ناشناخته بسیاری تاثیر می گیرد. در این پژوهش با این دیدگاه که در هنگام وقوع حمله صرعی مدل و یا پارامترهای مدل تولید سیگنال تغییر می کند و با مدل کردن سیگنال بین صرعی و دنبال کردن مدل تولید سیگنال می توان به این تغییر مدل پی برد، به مطالعه روشی جدید مبتنی بر شبکه های عصبی با هدف پیش بینی شروع حملات پرداخته شده است. دو نوع شبکه عصبی، پرسپترون چند لایه ی جلوسو و المن، برای پیش بینی یک گام بعد سیگنال دیتای خام الکتروانسفالوگراف مورد استفاده قرار گرفتند. پایگاه داده شامل سیگنال الکتروانسفالوگراف 19 بیمار است که به صورت تهاجمی در مرکز صرع بیمارستان دانشگاه فرایبورگ آلمان ثبت شده بود. سپس سیگنال کاهش نرخ نمونه برداری شده و سیگنال آنتروپی ویولت به عنوان شاخصی از نظم/بی نظمی سیگنال برای پیش بینی استفاده شد. سپس با استفاده از منحنی میانگین مجذور مربعات خطای پیش بینی برحسب پنجره های زمانی و استفاده از آستانه های ثابت و تطبیقی تغییرات منحنی خطا در بازه ی پیش از حمله ارزیابی شدند و عملکرد شبکه ها با ورودی ها و آستانه های مختلف بر حسب دو مقدار حساسیت و نرخ پیش بینی اشتباه گزارش شدند. با توجه به نتایج، عملکرد شبکه های عصبی با استفاده از آستانه های تطبیقی عموما از پیش بینی کننده های تصادفی و پریودیک بهتر بوده است. لذا امکان پیش بینی وقوع حملات صرعی با این شبکه ها وجود دارد. بیشترین حساسیت در پیش بینی با شبکه ی mlp با ورودی سیگنال کاهش نرخ نمونه برداری شده و آستانه تطبیقی به دست آمده است. در این حالت امکان پیش بینی حمله به طور متوسط با حساسیت حدود 48% وجود دارد. پس از آن شبکه المن با ورودی سیگنال کاهش نرخ نمونه برداری شده با استفاده از آستانه تطبیقی قرار دارد که به طور متوسط با حساسیت حدود 46% می تواند حمله را پیش بینی کند. از منظر دسته بندی نوع بیماری، پیش بینی وقوع حمله در بیمارانی که صرع آنها از نوع sp,cp,gtc بوده موفق تر بوده است. در تحلیل این دسته از بیماران با شبکه های مختلف و آستانه های متفاوت، به طور معمول در بیش از یک سوم تحلیل ها عمل پیش بینی بهتر از پیش بینی کننده های تصادفی و پریودیک بوده است
منابع مشابه
مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...
متن کاملپیش بینی تقاضای کوتاه مدت آب شهر تهران با استفاده از شبکه های عصبی مصنوعی
پیش بینی تقاضای کوتاه مدت آب شهری کمک موثری به مدیران و بهره برداران سیستمهای آب شهری می باشد تا بتوانند نسبت به مدیریت صحیح مصرف، مخازن، پمپها، شیرآلات و تصفیه خانه ها اقدام نمایند. مصرف کوتاه مدت آب تابعی از پارامترهای مختلف و متنوع مانند شرائط اقلیمی و هواشناسی، مناسبتهای فرهنگی، اقتصادی، اجتماعی و مصارف گذشته می باشد. بدلیل همین تنوع، پیش بینی مصرف کوتاه مدت بصورت تحلیلی بسیار مشکل و یا نام...
متن کاملپیش بینی تقاضای کوتاه مدت آب شهر تهران با استفاده از شبکه های عصبی مصنوعی
Short-term water demand modeling plays a key role in urban water resources planning and management. The importance of demand prediction is even greater in countries like Iran with frequent periods of drought. Short-term water demand estimation is useful for planning and management of water and wastewater facilities such as pump scheduling, control of reservoirs and tanks volume, pressure manage...
متن کاملپیش بینی سطح مدیریت سود با استفاده از شبکه های عصبی مصنوعی...
اکثر تحقیقات انجام شده در حوزه مدیریت سود به بررسی انگیزه ها و عوامل موثر بر سطح مدیریت سود پرداخته اند، ولی از این متغیرها به طور مستقیم برای پیش بینی سطح مدیریت سود استفاده نشده است. در نتیجه تنها همبستگی بین مدیریت سود و این متغیرها بررسی شده است. از این رو، طراحی یک مدل برای پیش بینی سطح مدیریت سود به منظور کاهش ریسک بحران های مالی ناشی از مدیریت سود و کمک به سرمایه گذاران، اعتبار دهندگان و...
متن کاملپیش بینی میزان غلظت آلاینده های هوای تهران با استفاده از شبکه عصبی مصنوعی
در این تحقیق شبکه عصبی مصنوعی جهت برآورد و پیش بینی غلظت گازهای آلاینده هوا به کار رفته است.با توجه به خطر آلودگی هوا در شهر تهران و ایجاد مشکلات زیست محیطی و بیماری های خطرناک تنفسی و پوستی به ویژه برای کودکان و سالمندان و نیاز شدید به کنترل آن ، این تحقیق در جهت برنامه ریزی و کنترل این مشکل در تهران و همچنین شهرهای بزرگ دیگر انجام گرفته است. برای این منظور از آمار غلظت گازهای آلاینده هوای ثبت...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه شاهد - دانشکده مهندسی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023