پیشبینی مرگ ناگهانی قلبی با استفاده از متد جدیدی از انتخاب ویژگی و ارائه روش نوینی برای زمانبندی پیشبینی [پايان نامه فارسي]
پروانه سادات صنعتی
| شناسگر رکورد: | ۱۵۹۸۵ |
| رشته تحصیلی: | مدیریت سیستم های اطلاعاتی |
| عنوان: | پیشبینی مرگ ناگهانی قلبی با استفاده از متد جدیدی از انتخاب ویژگی و ارائه روش نوینی برای زمانبندی پیشبینی |
| نويسنده: | پروانه سادات صنعتی |
| استاد راهنما : | دکتر کیوان ناوی |
| استاد مشاور: | دکتر بابک مجیدی |
| مقطع تحصیلی : | کارشناسی ارشد |
| دانشگاه : | خاتم |
| تاریخ دفاع : | ۱۳۹۷ |
| چکیده: | مرگ ناگهانی قلبی در هر سال میلیونها انسان در جهان را به کام مرگ میکشاند. این پدیده، نتیجه تخریب شدید عملکرد قلبی است که سبب از بین رفتن سیستم قلبی در افراد شده و در صورت عدم احیای به موقع، موجب از بین رفتن نبض، فشارخون، فعالیت تنفسی و سپس مرگ مغزی و در نهایت مرگ بیولوژیک میگردد. بنابراین بازگردانی سریع عملکرد منظم قلب و خونرسانی بسیار حائز اهمیت میباشد. با وجود دسترسی عمومی بیماران به دیفیبریلاتور در قرن ۲۱، راهکار بهینه و موثرتر، پیشبینی مرگ ناگهانی قلبی، قبل از وقوع آن میباشد. در جدیدترین تحقیقات صورت گرفته در این زمینه، در بخش انتخاب ویژگیهای سیگنال الکتروکاردیوگرام که برای تشخیص بهترین هستند، صحبتهای ضد و نقیض فراوانی وجود دارد. عدهای معتقدند ویژگیهای غیرخطی یا آشوبناک، دقت بسیار بالایی برای تشخیص دارند. عدهای دیگر ویژگیهای کلاسیک و یا زمان- فرکانس را بهترین میدانند و نکته جالب اینجاست که همگی درست میگویند! چرا که هر یک در زمانهای متفاوتی، مرگ ناگهانی قلبی را پیشبینی کردهاند. اغلب مطالعات صورت گرفته در انتخاب ویژگی، به صورت سراسری عمل کردهاند که در نهایت به ایجاد یک شاخص پیشبینی برای تمام دقیقه ها منجر شده است. این استراتژی بهینه نیست و ویژگیهای انتخاب شده در ۱ دقیقه پیش از وقوع، لزوما ویژگیهای مناسبی برای ۴ دقیقه پیش از وقوع مرگ ناگهانی قلبی نیستند. در این پژوهش برای حل این مشکل، ما فضای انتخاب ویژگی را فازی در نظر گرفتیم و به استخراج ویژگیهای دقائق مختلف پرداختیم و از یک الگوریتم انتخاب ویژگی شناور استفاده کردیم و موفق شدیم مرگ ناگهانی قلبی را ۵ دقیقه پیش از وقوع با دقت ۶۶/%۹۸ پیشبینی کنیم. برای این کار، ویژگیهای غیرخطی، زمان فرکانس، کلاسیک و ویژگیهای مدرن را از سیگنال HRV استخراج کردیم. برای رتبه بندی ویژگیها در هر بازه، از معیار فیشر استفاده کردیم و سپس با استفاده از الگوریتمPCA ، ابعاد ویژگی را کاهش دادیم. در نهایت از طریق شبکه عصبی MLP و KNN، افراد سالم و افراد ریسکپذیر، دستهبندی شدهاند. الگوریتم ارائه شده در این پژوهش، نتایج را با توجه به افزایش زمان بهبود میدهد و ما در نهایت میتوانیم تشخیص دهیم کدام دسته از ویژگیها، برای چه زمانی کاربرد بیشتری دارند. |
| واژگان کلیدی: | مهندسی کامپیوتر |
| مهندسی فناوری اطلاعات | |
| مدیریت سیستمهای اطلاعاتی | |
| مرگ ناگهانی قلبی | |
| الگوریتمهای انتخاب ویژگی | |
| بردار ویژگی بهینه | |
| انتخاب ویژگی ترکیبی | |
| الگوریتم فازی |
جهت ثبت نظر با حساب کاربری تان وارد شوید