بررسی ارتباط تصاویر ECG با تشخیص بیماری دیابت به کمک شبکه عصبی مصنوعی و الگوریتم های داده کاوی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 بررسی ارتباط تصاویر ECG با تشخیص بیماری دیابت به کمک شبکه عصبی مصنوعی و الگوریتم های داده کاوی دارای ۲۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد بررسی ارتباط تصاویر ECG با تشخیص بیماری دیابت به کمک شبکه عصبی مصنوعی و الگوریتم های داده کاوی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی بررسی ارتباط تصاویر ECG با تشخیص بیماری دیابت به کمک شبکه عصبی مصنوعی و الگوریتم های داده کاوی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن بررسی ارتباط تصاویر ECG با تشخیص بیماری دیابت به کمک شبکه عصبی مصنوعی و الگوریتم های داده کاوی :

تعداد صفحات :۲۴

چکیده مقاله:

بیماری دیابت یکی از شایعترین بیماری های دنیا شناخته شده است. یکی از مشکلات اساسی مربوط به این بیماری عدمتشخیص بموقع و صحیح آن می باشد. هدف این پژوهش ارایه روش جدیدی برای تشخیص بیماری دیابت است و قصددارد برای اولین بار ارتباط تصاویرECG با تشخیص بیماری دیابت به کمک شبکه عصبی مصنوعی و الگوریتم های داده کاوی را بررسی کند.روش بررسی: در این مطالعه ۸ بیمار دیابتی و ۶۴ فرد سالم حضور داشتند. الکتروکاردیوگرافی برایتمام افراد انجام گرفت. اطلاعات مورد نیاز از تصاویر ECG شامل: نام بیمار، سن، qtcb ،qt ،PR ،P ،PP ،RR ،t ،p ،HRECG استخراج و در پایگاه داده جمع آوری شد برای طبقه بندی بیماران از شبکه های عصبی احتمالی و الگوریتم های استانداردداده کاوی استفاده شده است. داده ها از طریق الگوریتم های داده کاوی و روش های متفاوت کلاس بندی مورد بررسیو ارزیابی قرار گرفتند و نتایج هر یک با توجه به نرخ صحیح مقایسه شدند. weka از نرم افزاربرای رده بندی ها استفاده شده است. یافته ها: دقت شناسایی الگوریتم های مبتنی بر قوانین و شبکه عصبی، نسبت به الگوریتم های درخت تصمیم والگوریتم های مبتنی بر فاصله بالاتر و نتایج بهتری در تشخیص بیماری دیابت نشان دادند. بهترین نرخ شایستگی در الگوریتمConsistencySubsetEval با میزان ۰/۸۹ بود و موج QRS به عنوان بهترین انتخاب در همه الگوریتم ها گزارش می شود. ارزیابی داده های افراد دیابتی و غیر دیابتی با استفاده از الگوریتم شبکه های عصبی احتمالی نرخ صحیحی ۹۵% را نشان داد. همچنین الگوریتم KNN کمترین پیچیدگی زمانی را نشان داد. نتیجه گیری: مدل مبتنی بر قوانین دقت بالاتری نسبت به کلیه الگوریتم های طبقه بندی داده کاوی مورد استفاده درپژوهش نشان داد.