جلسه دفاع از پايان نامه

کارشناسی ارشد رشته  مهندسی برق کنترل

 

موضوع پايان نامه :

پیش بینی وقوع عوارض در بیماران دیابتی با استفاده از روش های هوشمند شبکه های ویولت

 

ارائه دهنده:

ستاره حکمت نیا

 

استاد راهنما:

دکتر سهیل گنجه­فر

 

اساتید داور:

دکتر محمدحسن مرادی – دکتر سید منوچهر حسینی

 

زمان :  ۱2/07/۹5 ساعت  12 ظهر

مکان: سمینار2 برق

 

چكيده:

در دنیا در حال حاضر درمان قطعی برای دیابت وجود ندارد وتنها می‌توان آن را کنترل کرد که در مراحل حاد قرار نگیرد. از آنجا که مشکلات ایجاد شده در اثر عوارض مزمن بیماری دیابت تا حد زیادی برگشت‌ناپذیر و در عین حال قابل پیشگیری هستند، آگاهی از این موضوع که کدام بیمار ممکن است در نهایت به این عوارض دچار شود می‌تواند گام مهمی  در جلوگیری از وقوع این مشکلات باشد. در این تحقیق سعی شده تا با استفاده از روش‌های هوشمند، بروز این مشکلات در بیماران مبتلا به دیابت پیش‌بینی گردد. برای انجام این پیش‌بینی از شبکه‌ی ویونت استفاده می‌شود.  به خاطر ماهیت چندبعدی و غیرخطی ارتباط گلوکز انسولین و متفاوت بودن این ارتباط برای هر فرد، شبکه‌‌‌های عصبی مصنوعی مخصوصا برای مدل‌سازی رفتار بیماری دیابت بسیار مناسب هستند. با ترکیب تئوری تبدیل موجک با معماری شبکه‌های عصبی فیدفوروارد شبکه هوشمند neural network adaptive wavelet  (ویونت) معرفی می‌شودتا به عنوان جایگزینی برای شبکه‌های عصبی خطی فیدفوروارد بتواند رفتار سیستم‌های غیرخطی را نیز تخمین بزند. اطلاعات مربوط به سوابق 1441 نفر بیمار دیابتی از مخزن داده‌ی NIDDK Repository گرفته شد و سپس با بررسی مقالات و پژوهش های انجام شده در سال‌های قبل موارد مهم و موثر در ابتلا به هر عارضه شناسایی و از داده های موجود استخراج شد. سپس جداول جمع آوری شده بررسی و اطلاعات بیمارانی که داده های آنها مخدوش یا ناقص بود حذف شد و در نهایت داده های لازم برای آموزش شبکه عصبی فراهم شد. تعداد 200 زوج داده از ابتدا از سایر داده ها جدا شد تا بعدا جهت تست شبکه ها مورد استفاده قرار گیرد. پس از نگاهی اجمالی به موجک ها و ویژگی ها و انواع آنها، شبکه های عصبی مبتنی بر موجک (ویونت ها) معرفی و چند مورد از ساختار های مرسوم آنها بررسی شده. در نهایت یکی از این ساختارها جهت استفاده در این پایان نامه انتخاب شده است. شبکه‌ی انتخاب شده به وسیله‌ی پنج موجک مختلف آزموده شد تا مناسب ترین تابع فعالساز برای آن شناسایی شود. و  سپس ویونت در شرایط مختلف آموزش دید تا بهترین نتایج آن بدست آید. همچنین این ویونت  برای عوارض نوروپاتی، نفروپاتی و رتینوپاتی توسط داده های تست – که از ابتدا از داده های آموزشی جدا شده بودند- امتحان شد تا درستی پاسخ های آن بررسی شود. در پایان پیش بینی همین پیش بینی ها توسط شبکه های عصبی چند لایه (MLP) نیز انجام شد تا مقایسه ای میان ویونت و پرسپترون بدست آید.

 

واژه­‌های کلیدی: شبکه عصبی، پیش‌بینی، موجک،  ویونت، دیابت، نوروپاتی، نفروپاتی، رتینوپاتی

Abstract:

 

Currently there is no cure for diabetes mellitus, it can only be monitored to prevent the occurrence of acute phases. The problems caused by chronic complications of diabetes are largely irreversible, yet preventable, and knowing which patients may finally be experiencing these symptoms could be an important step in preventing these complications. wavenet network used for this forecast. Because of multidimensional and nonlinear nature of glucose-insulin relation, artificial neural networks are particularly well suited for modeling the behavior of diabetes. By combining the wavelet theory with Feed forward neural network architecture, a new neural network (wavenet) is introduced as an alternative to linear feed forward neural networks which can also estimate the behavior of nonlinear systems. Datasets related to records of 1441 diabetic patients was provided by NIDDK Repository. Then by studying former papers published in this field datasets has been filtered to extract only useful and suitable information. Then the collected tables was reviewed and distorted or incomplete data was removed and the data necessary for neural network training was provided. From the beginning a total of 200 paired data were separated to be used later to test networks. After a glimpse to the wavelets and their attributes, wavelet-based neural networks (wavenets) are introduced and some of them have been investigated .Finally one of these structures has been selected for use in this thesis. The network was tested by five different wavelets to identify the most appropriate activation function. And then wavwnet was trained in different circumstances to achieve the best results. The wavenet was tested for complications of neuropathy, nephropathy and retinopathy by testing data - which from the beginning were isolated from the training data. At the end the same prediction was also performed by multilayer neural networks (MLP) to obtain a comparison between wavenet and perceptron.

 

Key Words: Neural Network, Prediction, Wavelet, Wavenet, Diabetes Mellitus, Neuropathy, Nephropathy, Retinopathy