کاربرد انواع شبکه های عصبی درپیش بینی سندروم متابولیک فرمت ورد و پی دی اف

 

 

 

 

فهرست مطالب

 

عنوانصفحه

فهرست مطالب... ح

فهرست شکل هاذ‌

فهرست جدول هار‌

چکیده...............................................................................................................................................................................1

فصل اول :مقدمه 2

1-1 مقدمه ........................................................................................................................................ 3

1-2 بیان مسئله..............4

1-3 سوالات اصلی پژوهش.... 5

1-4اهداف مسئله. 5

1-5 اهمیت و ضرورت انجام تحقیق.. 6

1-6 هدف تحقیق.. 6

1-7روش تحقیق.. ......................................................................................................................................6

1-8 جنبه جديد بودن و نوآوري در تحقيق.. 7

1-9 ساختار پایان­نامه. 7

فصل دوم :مروری بر ادبیات موضوع 8

2-1 بررسی پیشینه روش­های تشخیص بیماری برمبنای الگوریتم­های مختلف.... 9

2-2 تشخیص بیماری و عوارض آن، مبتنی بر تلفیق تکنیک‌های طبقه‌بندی و الگوریتم‌های فراابتکاری.. 9

2-3 روشهای مبتنی بر شبکه عصبی.. 15

2-4 روشهای مبتنی بر درخت تصمیم.. 16

2-5 روش های مبتنی بر بیز. 18

2-6 روش‌های برگرفته از منطق فازی.. 19

2-7 روش‌های مبتنی بر KNN.. 19

2-8 روشهای برگرفته از هوش جمعی.. 18

2-9 راهکارهای برگرفته از ماشین بردار پشتیبان.. 18

2-10 طبقه­بندهای مبتنی بر قواعد.. 19

2-11بررسی اجمالی مقالات با روشهای مختلف تشخیص بیماری و عوارض آن.. 24

فصل سوم:روش تحقیق 28

3-1داده کاوی و دسته بندی داده­ها27

3-2 شبکه عصبی.. 29

1-2-3مفهوم شبکه. 26

2-2-3 شبکه‌عصبی چند لایه. 26

3-2-3مدل رياضي شبكه‌عصبي مصنوعي.. 27

4-2-3 پرسپترون چند‌لایه. 28

3-2-5 آموزش شبکه عصبی مصنوعی.. 29

1-5-2-3روش ارائه يكجا35

2-5-2-3 روش ارائه الگو. 30

6-2-3 الگوريتم پس‌انتشار‌خطا35

3-3 منطق فازی 38

1-3-3سیستم‌های استنتاج عصبی فازی تطبیقی.. 39

1-1-3-3ساختارسیستم‌های استنتاج عصبی فازی تطبیقی.. 39

3-3-1-2 الگوریتم ترکیبی یادگیری ANFIS.. 41

3-4 طبقه‌بند نزدیک‌ترین همسایه (KNN). 42

3-5درخت تصمیم.. 42

3-5-1 اهداف اصلي درخت‌هاي تصميم‌گيري دسته‌بندي كننده. 43

3-5-2 جذابیت درختان تصمیم.. 44

3-5-3 انواع درختان تصمیم.. 44

3-6 ماشینهای بردار پشتیبان (SVM)45

3-7طبقه بند بیزین........................................................................................................................................................46

3-8 الگوریتم های مبتنی بر هوش جمعی.. 46

3-9 الگوریتم ژنتیک..... 47

3-10الگوریتم PSO.. 47

3-11کلونی زنبور عسل..............................................................................................................................................49

3-12الگوریتم گرگ خاکستری.. 51

3-13الگوریتم GBC.. 51

3-14الگوریتم کلونی زنبور-ژنتیک(GBC ). 52

فصل چهارم:روش پیشنهادی وپیاده­سازی 53

4-1 مطالعه کتابخانه­های و مروری بر الگوریتم های موجود. 54

4-2جمع آوری داده ها مربوط به بیماری سندروم متابولیک.........................................................................................54

4-3 پیش‌پردازش داده­ها56

4-3-1 پاکسازی داده ها57

1-1-3-4دسته‌بندی ویژگی شاخص توده بدنی................................................................................................. 57

4-3-1-2دسته بندی ویژگی فشارخون بالا........................................................................................................58

4-3-1-3دسته بندی قندخون..............................................................................................................................58

4-3-1-4دسته بندی ویژگی کلسترول...............................................................................................................59

5-1-3-4دسته‌بندی ویژگی تري‌گليسريد.. 60

2-3-4 جمیع داده‌ها53

3-3-4تبدیل داده‌ها61

4-4 ابزارهای لازم برای پیادهسازی روش پیشنهادی.. 61

4-5 چگونگی ارزیابی و ابزارهای مورد استفاده برای ارزیابی روش پیشنهادی.. 62

4-6 مراحل پیش‌بینی سندروم متابولیک..... 62

4-7 ایجاد مدل تشخیص سندرم متابولیک توسط الگوریتم ABC.. 63

4-8ضعف الگوریتمABCدرتشخیص سندروم متابولیک............................................................................................64

9- 4 ایجاد مدل تشخیص سندروم متابولیک توسط الگوریتمGBCاصلاح شده......................................................................64

4-9-1مرحله نمایش و مقداردهی اولیه. 65

4-9-2مرحله زنبور‌عسل کارگر. 66

4-9-3 مرحله زنبور‌عسل ناظر. 66

4-9-4 مرحله زنبور‌عسل دیده بان........................................................................................................................67

10-4 ساخت مدل نهایی با بکارگیری الگوریتم GBCاصلاح شده و شبکه‌عصبی......................................................68

11-4 نوآوری...........................................................................................................................................................70

12-4 نحوه ارزیابی مدل پیشنهادی..............................................................................................................................71

فصل پنجم:مقایسه و ارزیابی 72

5-1 نتایج شبیه‌سازی.. 73

فصل ششم:نتیجه گیری 78

6-1مروری بر مطالب... 79

6-2 پیشنهاد برای کارهای آتی.. 79

3-6 نتیجه گیری..........................................................................................................................................................80

مراجع. 81

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

فهرست شکل ها

 

 

عنوانصفحه

 

شکل3-1- يك نمونه عصب واقعي.. 31

شکل3-2- مدل ریاضی ساده شده عصب واقعی.. 32

شکل3-3- پرسپترون سه لايه با اتصالات كامل.. 33

شکل3-4- رفتار تابع سيگموئيد.. 34

شکل3-5- معماری ANFIS.. 40

شکل3-6- فلوچارت الگوریتم GBC... 52

شکل 4-1-مراحل الگوریتم پیش‌بینی سندروم متابولیک..... 62

شکل4-2-همبری یکنواخت... 67

شکل4-3- عملگر جهش.... 68

شکل-‏4- 4- ساختار راه حل برای الگوریتم GBC... 68

شکل4-5- ساختار شبکه عصبی مصنوعی.. 69

شکل4-6- روندنمای رهیافت پیشنهادی.. 69

شکل‏5‑1-درصد خطا برای پیش­بینی سندرم متابولیک در مدل پیشنهادی.. 74

شکل‏5‑2- نمودار نتایج با معیار Accuracy.. 75

 

 

 

 

 

 

 

 

 

 

 

فهرست جدول ها

 

 

عنوانصفحه

 

جدول 2-1- استفاده از تکنیک‌های طبقه‌بندی در تشخیص بیماری و عوارض آن.. 22

جدول 2-2- تلفیق تکنیک‌های طبقه‌بندی و الگوریتم‌های فراابتکاری در تشخیص بیماری و عوارض آن.. 23

جدول3-1- انواع توابع‌عضویت مورد استفاده در ANFIS.. 35

جدول 4-1 نحوه نرمال سازی مجموعه داده­ها55

جدول 4-2- نحوه دسته‌بندی شاخص توده بدنی.. 58

جدول 4-3- نحوه دسته‌بندی فشار خون سیستولی و دیاستولی.. 58

جدول4-4- نحوه دسته‌بندی قند خون.. 59

جدول 4-5- نحوه دسته‌بندی کلسترول.. 59

جدول 4-6- نحوه دسته‌بندی HDL... 59

جدول 4-7- نحوه دسته‌بندی LDL... 52

جدول 4-8- نحوه دسته‌بندی تری‌گلیسرید.. 53

جدول4-9- وزن دار کردن ویژگی ها66

جدول5‑1- پارامترهای مورد نیاز برای ارتباط بین کلاس های واقعی و کلاس های پیش بینی شده. 65

جدول 5-2- مقایسه نتایج با معیار Sensitivity.. 75

جدول-5-3- مقایسه نتایج با معیار Specificity.. 75

جدول 5-4- مقایسه نتایج با معیار Precision.. 76

جدول 5-5- مقایسه نتایج با معیار F-Measure. 76

جدول 5-6- مقایسه نتایج پیشبینی بیماری با معیارهای TP، FP، TN، FN، Sensitivity،77

 

 

 

چکيده

سندروم متابولیک مجموعه ای از اختلالات در متابولیسم یا سوخت و ساز بدن است که احتمال بروز بسیاری از بیماری‌ها از جمله بیماری‌های قلبی و عروقی،دیابت و پرفشاری خون را افزایش داده و مرگ و میر ناشی از این بیماری‌ها را در شخص مبتلا افزایش می‌دهد. با توجه به افزایش شیوع این اختلال، انجام پژوهش‌هایی در جهت پیشگیری از ابتلا به این اختلال ضروری می باشد. داده هانشان می­دهد که ابتلا به این بیماری­ها به رغم انتشار گسترده، از طریق پردازش پرونده پزشکی بیمار قابل شناسايي و معالجه است. روش‌هاي داده کاوي می­توانند به کاهش تعداد پاسخ‌ها و نتایج مثبت کاذب و منفی کاذب درتصمیم‌گیري پزشکان کمک کنند.به دلیل وجود پارامترها و ویژگی­های مختلف، تشخیص صحیح بیماری برای پزشکان دشوار می باشد. از اهداف این پژوهش، استفاده از الگوها و روابط بین تعداد زیادي از متغیرها در پرونده بیماران برای شناسایی و پیش‌بینی بیماری و کمک به پزشک برای تشخیص دقیق­تر می­باشد. در اين پژوهش یک سیستم پشتیبان تصمیم­گیری برای کمک به تشخيص و پيش­بيني سندرم متابولیک ارائه خواهد گردید. در این پژوهش از داده های جمع آوری شده از بیمارستان شهدای کارگر یزد که شامل اطلاعات 1499 نمونه با 15 ویژگی است استفاده شده و سپس به ارائه‌ی مدلی برای طبقه‌بندی مجموعه داده ها با استفاده از شبکه‌ی عصبی پرسپترون چند لایه پرداخته می‌شود.

کلمات کلیدی : شبکه­های عصبی پرپسترون چند لایه¹، الگوریتم ژنتیک زنبور عسل²،الگوریتم بهینه­سازی ازدحام ذرات³،

 

 

 

 

 

فصل اول

 

مقدمه

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1-1 مقدمه

در سال‌هاي اخیر، میزان شیوع بیماري قلبی- عروقی و دیابت روند رو به رشدي داشته و داده­ها نشان می­دهد که ابتلا به این بیماری­ها به رغم انتشار گسترده، از طریق پردازش پرونده پزشکی بیمار قابل شناسايي و معالجه است. استفاده از تکنیک های داده‌کاوی در تشخیص بیماری‌ها روند رو به رشدی داشته است. داده‌کاوی نه تنها موجب استفاده بهینه از انبوه داده‌های ذخیره شده توسط سیستم های کلینیک شده بلکه موجب کشف دانش موجود در میان این داده‌ها نیز شده است تشخیص سندرم متابولیک از جمله مسائلی است که پزشکان این حیطه را با چالش‌هایی مواجه ساخته است. تشخیص زود هنگام سندرم متابولیک شانس درمان موفقیت‌آمیز بیمار را بالا می­برد. به دلیل وجود پارامترها و ویژگی­های مختلف، تشخیص صحیح بیماری برای پزشکان دشوار می باشد. روش پیشنهادی برای کمک به تشخيص و پيش­بيني بیماری­های داخلی از طریق تکنیک­های داده­کاوی، دقیق­تر از روش­های موجود، به عنوان سیستم پشتیبان تصمیم­گیری در سیستم‌های پزشکی کاربرد خواهد داشت. در این پژوهش سندرم متابولیک مورد بررسی قرار می­گیرد. سپس یکی از بیماری­ها برای پژوهش انتخاب می­شود. انتخاب نوع بیماری برای پژوهش اهمیت بسیاری دارد. از اهداف این پژوهش، استفاده از الگوها و روابط بین تعداد زیادي از متغیرها در پرونده بیماران برای شناسایی و پیش بینی بیماری و کمک به پزشک برای تشخیص دقیق­تر می­باشد. در اين پژوهش یک سیستم پشتیبان تصمیم­گیری برای کمک به تشخيص و پيش­بيني سندرم متابولیک ارائه خواهد گردید. بهره­گیری از راه­کار داده­کاوی با رویکرد استخراج دانش از اطلاعات موجود در راستای اهدافی چون نحوه تشخیص بیماری، کاهش هزینه­های درمانی و میزان خطای نحوه درمان موثر بوده و موجب بهبود عملکرد سازمان­های بهداشتی می­شود [1]. مطالعات مختلف نشان داده­اند که وجود سندرم متابولیک تاثیر به سزایی روی فراوانی مرگ و میر ناشی از بیماری­های قلبی-عروقی دارد. سندرم متابولیک به عنوان مجموعه­ای از اختلالات متابولیکی شامل پرفشاری خون، چاقی، اختلال لیپیدها و افزایش مقاومت به انسولین از جمله عوامل تاثیرگذار در بروز مرگ و میر و ناتوانی ناشی از بیماری­های قلبی-عروقی تلقی می­شود [2]. مطالعات مختلف نشان داده­اند که فراوانی شیوع این سندرم بالا است. مطالعات بسیاری در خصوص ارتباط این سندرم با وجود عوامل خطرساز بیماری­های قلبی-عروقی از جمله دیابت، پرفشاری خون، اختلالات لیپیدی، چاقی، بی­تحرکی و سیگار انجام شده است و در برخی از موارد به نظر می­رسد این اختلالات در دوران جنینی آغاز شده و عامل ژنتیک در بروز آن مؤثر باشد [2]. اگر چه وجود سندرم متابولیک با افزایش احتمال مرگ و میر ناشی از بیماری­های قلبی عروقی ارتباط دارد اما به نظر می­رسد این احتمال خطر مستقل از سایر عوامل خطرساز مثل سن، سطح LDL کلسترول سرمی و استعمال دخانیات عمل می­کند [3]. در این راستا در مطالعه حاضر کوشش می­شود تا با استفاده از پردازش تکاملی برای تعیین وزن‌های بهینه‌ی شبکه عصبی MLP، سندرم متابولیک تشخیص داده شود. این فصل جهت آشنایی با کلیات تحقیق تنظیم می‌شود. در این فصل به چالش‌های مهم در زمینه تشخیص سندرم متابولیک با استفاده از داده­کاوی پرداخته می‌شود. در پایان فصل نیز ساختار پایان نامه بیان می‌شود.

1-2 بیان مسئله

بيماري­هاي قلبی-عروقی از علل از دست رفتن سال­هاي عمر محسوب مي شود. با توجه به نقش سندرم متابولیک در کنترل بیماری­های قلبی-عروقی و دیابت، تشخیص سندرم متابولیک دارای اهمیت است. در سال­هاي اخیر، میزان شیوع بیماري قلبی-عروقی و دیابت روند رو به رشدي داشته و داده­ها نشان می­دهد که ابتلا به این بیماری­ها به رغم انتشار گسترده، از طریق پردازش پرونده پزشکی بیمار قابل شناسايي و معالجه است. تشخیص صحیح بیماری باعث افزایش احتمال درمان قطعی می­شود. روشهاي داده کاوي می­توانند به کاهش تعداد پاسخ­ها و نتایج مثبت کاذب^[1] و منفی کاذب^[2]درتصمیم گیري پزشکان کمک کنند [3].