پیشبینی آپنه نوزادان نارس با استفاده از تکنیکهای یادگیری عمیق
نام نخستين پديدآور
نسرین ممیزاده
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
مهندسی برق و کامپیوتر
تاریخ نشرو بخش و غیره
۱۴۰۰
مشخصات ظاهری
نام خاص و کميت اثر
۷۴ص.
مواد همراه اثر
سی دی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی کامپیوتر گرایش معماری سیستم های کامپیوتری
زمان اعطا مدرک
۱۴۰۰/۱۱/۱۹
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
آپنه یک مشکل تنفسی است که با تغییرات پاتولوژیک ضربان قلب و اشباع اکسیژن همراه بوده و یک اتفاق شایع در نوزادان بهویژه نوزادان نارس میباشد. آپنه با مکث طولانی در تنفس (اغلب بیشتر از 15-20 ثانیه) مشخص میشود. اگر آپنه در زمان مناسب تشخیص و درمان نشود عوارضی ازجمله مرگ نوزاد، مشکلات قلبی عروقی، ریوی، نورولوژیک و رشد و تکامل در نوزادان در پی خواهد داشت. پژوهش حاضر تلاش میکند تا معماری شبکههای عصبی را برای پیشبینی وقوع قسمتهای آپنه در نوزادان، پس از هفته اول پذیرش در بخش مراقبتهای ویژه نوزادان (NICU) مدلسازی کند. دادههای مورد استفاده در این پژوهش از بیمارستان الزهرای تبریز جمعآوری شده است. معماریهای شبکه عصبی مانند پرسپترون چند لایه و شبکه عصبی کانولوشن برای پیشبینی آپنه نارسی پیادهسازی شده و عملکرد آنها با الگوریتمهای ماشین بردار پشتیبان (SVM)، K نزدیکترین همسایه، درخت تصمیم (DT) و جنگل تصادفی (RF) مقایسه شده است. نتایج نشان میدهد که مدل چهار لایه بهینه پرسپترون چند لایه (MLP)، تابع فعالساز ReLu و تابع بهینهساز Adam با دقت بهدستآمده 90% میتواند از مدلهای یادگیری ماشین و شبکه عصبی کانولوشن بهتر عمل کند. این پژوهش نشاندهنده این است که یک مدل MLP میتواند بهبودهای قابلتوجهی در عملکرد پیشبینی کننده داشته باشد. ثابت شده است که MLP بهینهسازی شده بهاندازه مدلهای شبکه عصبی عمیق مانند CNN برای مجموعه دادهها دقیق است و از همه مدلهای معمولی مانند SVM، DT، RF و KNN بهتر عمل میکند. مدلهای بررسیشده میتوانند بهعنوان یک ابزار پیشبینی به متخصصان نوزادان کمک کنند.
متن يادداشت
AbstractApnea is a respiratory problem that is associated with pathological changes in heart rate and oxygen saturation and is a common occurrence in infants, especially premature infants. Apnea is characterized by a long pause in breathing (often longer than 15 to 20 seconds). If apnea is not diagnosed and treated in a timely manner, it can lead to complications such as infant death, cardiovascular, pulmonary, neurological, and neonatal growth and development. Our study attempts to model the neural network architecture to predict the occurrence of neonatal apnea episodes after the first week of admission to the Neonatal Intensive Care Unit (NICU). The data used in this study were collected from Al-Zahra Hospital in Tabriz. Neural network architectures such as multilayer perceptron and convolutional neural network have been implemented to predict immature apnea and their performance has been compared with support vector machine (SVM), k-nearest neighbors, decision tree (DT) and random forest (RF) algorithms. The results show that the four-layer optimal multilevel perceptron (MLP) model, the ReLu activator function and the Adam optimizer function with 90% accuracy can perform better than the machine learning and convolutional neural network models. This study indicates that an MLP model can have significant improvements in predictive performance. Optimized MLP has been shown to be as accurate to the data set as deep neural network models such as CNN, and performs better than all conventional models such as SVM, DT, RF, and KNN. Examined models can help neonatal specialists as a predictive tool.
عنوانهای گونه گون دیگر
عنوان گونه گون
Apnea Prediction in Premature Infants Using Deep Learning Techniques
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )