نوید سقائی سنگدهی
مدل نظارت هوشمند در مراقبت های بهداشتی برای بیماری های قلبی مبتنی بر یادگیری عمیق(مورد مطالعه: بیمارستان شهدای تجریش)
- دانشجو
- نوید سقائی سنگدهی
- استاد راهنما
- محمدرضا تقوا
- استاد مشاور
- کامران فیضی
- استاد داور
- ایمان رئیسی وانانی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- مدیریت و حسابداری
- شماره ساختمان محل ارائه
- ۴۵
- نام کلاس محل ارائه
- کلاس ۱۱۱[۲۴۱۱۱]
- شماره کلاس محل ارائه
- ۲۱۱
- تاریخ دفاع
- ۳۱ شهریور ۱۴۰۳
- ساعت دفاع
- ۱۶:۰۰
- چکیده
-
پیش بینی زود هنگام بیماری های قلبی باعث کاهش هزینه‌ها و افزایش سلامت جامعه خواهد شد و وضعیت سلامت قلب و عروق از طریق داده های جمع آوری شده از حسگرها و سایر داده های محیطی ساخته می شود، بنابراین نسبت به روش های قبلی دقیق تر است و مجموعه ای از ویژگی ها را انتخاب می کند که دقت را افزایش می دهد. در این تحقیق یک روش یادگیری عمیق جدید و دو مرحله ای برای قسمت پیش بینی بیماری قلبی مطابق زیر پیشنهاد می کنیم. پیش‌بینی سلامت قلب از طریق داده‌های بدست آمده توسط حسگرها و سایر داده‌های محیطی برای دقت بیشتر نسبت به روش‌های قبلی و انتخاب مجموعه‌ای از ویژگی‌هایی که باعث افزایش دقت می‌شوند و تکنیک های یادگیری ماشین و یادگیری عمیق برای تجزیه و تحلیل داده های حسگرها برای پیش بینی بیماری استفاده می شود. مبانی نظری مرتبط با ارائه یک مدل نظارت هوشمند در مراقبت های بهداشتی برای بیماری های قلبی، که بر مبنای یادگیری می‌باشد، ابتدا به تشریح مفاهیم اصلی در این زمینه می‌پردازد و سپس اصول و تئوری‌های مرتبط را بررسی می‌نماید. در مدل‌های نظارت هوشمند در مراقبت های بهداشتی برای بیماری‌های قلبی، معمولاً از مدل‌های پیش‌بینی و تصمیم‌گیری استفاده می‌شود که بر اساس داده‌های آماری و الگوریتم‌های یادگیری ماشین ساخته می‌شوند. به طور خلاصه، استفاده از مدل‌های نظارت هوشمند بر مبنای یادگیری در مراقبت های بهداشتی برای بیماری‌های قلبی، می‌تواند بهبود قابل توجهی در تشخیص، پیش‌بینی و مدیریت این بیماری‌ها داشته باشد.
- Abstract
-
Early prediction of heart diseases will reduce costs and increase the health of society, and the state of cardiovascular health is made through data collected from sensors and other environmental data, so it is more accurate than previous methods and Selects a set of features that increase accuracy. In this research, we propose a new two-step deep learning method for heart disease prediction. Predicting heart health through data obtained by sensors and other environmental data for greater accuracy than previous methods and selecting a set of features that increase accuracy and machine learning and deep learning techniques to analyze sensor data to predict disease is used The theoretical foundations related to providing an intelligent monitoring model in health care for heart diseases, which is based on learning, first describes the main concepts in this field and then examines the related principles and theories. In smart monitoring models in health care for heart diseases, prediction and decision-making models are usually used based on statistical data and machine learning algorithms. In summary, using intelligent monitoring models based on learning in healthcare for heart diseases can significantly improve the diagnosis, prediction, and management of these diseases.