عنوان

ارائه مدل ریاضی بهینهسازی چندهدفه در مسأله انتخاب ویژگی (نمونه موردی: سیستمهای سلامت)

Number

۵۷۳۱پ

.Language of Text, Soundtrack etc

فارسی

Title Proper

ارائه مدل ریاضی بهینهسازی چندهدفه در مسأله انتخاب ویژگی (نمونه موردی: سیستمهای سلامت)

General Material Designation

[پایان نامه]

First Statement of Responsibility

/ کامیاب غلامی بیامهء

Place of Publication, Distribution, etc.

سنندج

Name of Publisher, Distributor, etc.

: دانشگاه کردستان - دانشکده مهندسی

Date of Publication, Distribution, etc.

، ۱۴۰۰ = ۲۰۲۲

Specific Material Designation and Extent of Item

ه.۵۲ص

Other Physical Details

: مصور( رنگی)، جدول، نمودار

Text of Note

چکیده فارسی-انگلیسی

Text of Note

کتابنامه.ص: ۵۲-۴۹

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

صنایع

Body granting the degree

کردستان

Text of Note

یکی از موضوعات رایج در زمینه بیماری‌های پزشکی، وجود تعداد زیادی ویژگی است. شناسایی و طبقه‌بندی بیماری به انتخاب ویژگی وابسته است که ویژگی‌های مرتبط برای تشخیص دقیق بیماری را پیدا کند. یکی از ضروری‌ترین چالش‌ها در بیماری‌های پیچیده مانند کرونا COVID-19))، تشخیص سریع این بیماری است. اکثر داده‌ها در بسیاری از مسائل از ابعاد بالایی برخوردار هستند که تمامی این ویژگی‌ها نه ‌تنها برای مسأله مهم نیستند، بلکه دقت و کارایی الگوریتم را کاهش می‌دهند . حذف نکردن این ویژگی‌ها مشکلی از لحاظ اطلاعاتی ایجاد نمی‌کند ولی بار محاسباتی و هزینه را برای کاربرد موردنظر بالا می‌برد و علاوه بر این باعث می‌شود که اطلاعات غیرمفید زیادی به همراه داده‌های مفید ذخیره شوند. در این پژوهش رویکردی برای انتخاب ویژگی که یکی از ابزارهای یادگیری ماشین است جهت یافتن گروهی از ویژگی‌های اساسی از آزمایش‌های خون 100 بیمار بستری شده در اورژانس بیمارستان (میلان، ایتالیا) دریافت کردند، ارائه شده است که پیش‌آگهی و عوارض خطرناک را پیش‌بینی می‌کنند. رویکرد ما شامل دو طرح است : مدل ریاضی و الگوریتم‌های بهینه‌سازی. اولی براساس روش‌ اپسیلون محدودیت است و دومی با استفاده از الگوریتم ژنتیک رتبه‌بندی نامغلوب(NSGA-II) انجام می‌شود. بهینه‌سازی چند‌هدفه حوزه‌ای از تصمیم‌گیری چند معیاره محسوب می‌شود که با مسائل بهینه‌سازی ریاضیاتی (تحقیق در عملیات) مرتبط است. ابزارهای مختلفی برای مسأله انتخاب ویژگی معرفی شده‌اند و در این میان، به ندرت از مدل‌های بهینه‌سازی مبتنی بر تحقیق در عملیات استفاده شده است. این در حالی است که به دلیل ماهیت بهینه‌سازی در این مسأله، می‌توان آن را در قالب مدل یا مدل‌های ریاضی بیان نمود. مدل ارائه شده، نشان می‌دهد که بازوفیل و لنفوسیت مهم‌ترین نشانگرهای بالینی هستند که پیش‌آگهی را در این بیماران تعیین می‌کنند. این رویکرد مسیر را برای شناسایی بیماران مثبت کرونا و بیماری‌های مشابه هموار می‌کند. همچنین استفاده از تجزیه‌وتحلیل آزمایش خون و یادگیری ماشینی در این پژوهش، به عنوان جایگزینی برای RT-PCR برای شناسایی بیماران مثبت کرونا نشان داده شده است. این امر به ویژه برای کشورهای در حال توسعه که با مشکلات منابع پزشکی و آزمایشگاه‌های تخصصی مواجه هستند، می‌تواند بسیار مفید باشد.

Text of Note

One of the common themes in the field of medical diseases is the existence of many features. Identification and classification of the disease depend on the choice of a feature that finds the relevant features for the accurate diagnosis of the disease. One of the most pressing challenges in complex diseases such as coronary artery disease (COVID-19) is the rapid diagnosis of this disease. Most data have large dimensions in many problems, all of which are not only important for the problem but also reduce the accuracy and efficiency of the algorithm. Not deleting these features does not pose a problem in terms of information, but it does increase the computational burden and cost for the intended application, and in addition, causes a lot of useless information to be stored along with useful data. This study presents a feature selection approach that is one of the machine learning tools to find a set of essential features from the blood tests of 100 patients admitted to the hospital emergency department (Milan, Italy), which predict prognosis and dangerous complications. Our approach consists of two schemes: mathematical models and optimization algorithms. The first is based on the Epsilon constraint method and the second is done using the NSGA-II genetic algorithm. Multi-objective optimization is an area of multi-criteria decision-making that is related to mathematical optimization (operations research) problems. Various tools have been introduced for feature selection, and among them, operations-based optimization models have rarely been used. However, due to the nature of optimization in this issue, it can be expressed in the form of mathematical models or models. The proposed model shows that basophils and lymphocytes are the most important clinical markers that determine the prognosis in these patients. This approach paves the way for the identification of positive coronary artery disease and similar diseases. The use of blood test analysis and machine learning in this study has also been shown as an alternative to RT-PCR to identify positive coronary artery disease. This can be especially useful for developing countries with problems with medical resources and specialized laboratories.

fa

ba

Subject Term

Feature Selection

Subject Term

Epsilon Constraints

Subject Term

Non-Dominated Sorting Genetic Algorithm

Subject Term

Multi-Objective Optimization

Relator Code

، پدیدآور

غلامی بیامهء، کامیاب

Relator Code

، استاد راهنما

Relator Code

، استاد مشاور

ارکات، جمال

مرادی، پرهام

Entry Element

دانشگاه کردستان

Subdivision

. دانشکده مهندسی

Country

ایران

Date of Transaction

20250223

Call Number

Reg. NO ۵۸۰۵

p

TF

92029

1

a

Y