نجمه محسنی فر

چکیده

افرادی که دارای بیماری‌های قلبی و مغزی هستند، بعضی مواقع دچار حملات ناگهانی می‌شوند که این وضعیت باعث ایجاد صدماتی در بیمار و یا حتی مرگ او خواهد شد. حال با توجه به این که سیگنال‌های ECG و EEG شامل اطلاعات بسیار مهمی از وضعیت قلب و مغز می‌باشند، بسیاری از بیماری‌ها با بررسی این سیگنال‌ها قابل تشخیص هستند. بنابراین پیش‌بینی این سیگنال‌ها حتی برای چندین ثانیه برای پزشکان معالج مفید خواهد بود. اما از طرفی با توجه به خطی نبودن تغییرات سیگنال‌های قلب و مغز، پیش‌بینی آن‌ها فرآیند چندان ساده‌ای نیست.
یکی از الگوریتم‌های رایج که برای پردازش انواع سیگنال‌ها ازجمله سیگنال‌های حیاتی و صنعتی به کار می‌روند، شبکه‌های عصبی مصنوعی هستند. این شبکه‌ها دارای ساختارهای مختلفی متشکل از نورون‌ها بوده که در دو یا چند لایه، با هم در ارتباط می‌باشند. اما برای پیش‌بینی رفتار سیستم‌ها با استفاده از این الگوریتم نیازی به شناخت کامل مدل سیستم نیست. بنابراین می‌توان ازآن‌ها در مواردی که با مدل‌های ناشناخته روبرو هستیم، استفاده کرد. در این پایان‌نامه روشی پایدار برای پیش‌بینی سیگنال‌های قلب و مغز توسط شبکه‌های عصبی پس‌انتشار(MLP) و شبکه‌های بر پایه توابع شعاعی(RBF) ارائه شده است.
از طرفی تعیین بهترین شبکه عصبی معمولا با روش سعی و خطا انجام می‌گیرد که در اینجا برای این انتخاب، از الگوریتم پرندگان استفاده کرده‌ایم. داده‌های مورد استفاده، از یک سری سیگنال‌های واقعی ثبت شده از بیماران بخش ICU به دست آمده‌اند. نتایج نشان می‌دهند با به کارگیری روش‌های پیشنهادی، می‌توان سیگنا‌هال را با صحتی برابر 97٪ پیش‌بینی کرد.

تاریخ دفاع: یک شنبه 20/9/90 ساعت: 15
محل: کلاس 303 دانشکده مهندسی برق