مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

1,888
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

706
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

2

اطلاعات مقاله نشریه

عنوان

مقایسه مدل های شبکه عصبی مصنوعی با رگرسیون لجستیک و تحلیل ممیزی در پیش بینی سندرم متابولیک

صفحات

 صفحه شروع 638 | صفحه پایان 646

چکیده

 مقدمه: شبکه های عصبی مصنوعی به عنوان یکی از روش های نوین مدلسازی در سال های اخیر مورد توجه ویژه قرار گرفته است. این مدل ها برای پیش بینی و طبقه بندی در مواردی که روش های کلاسیک آماری به خاطر محدودیت هایشان قابل استفاده نیستند, کاربرد دارند. هدف از این مطالعه مقایسه توانایی مدل های شبکه عصبی مصنوعی با رگرسیون لجستیک و تحلیل ممیزی برای پیش بینی سندرم متابولیک در نمونه ای از افراد شرکت کننده در مطالعه قند و لیپید تهران بود.مواد و روش ها: با استفاده از بانک اطلاعاتی مطالعه قند و لیپید تهران, 347 نفر از افراد شرکت کننده در آن مطالعه که در ابتدای فاز اول مطالعه بر اساس تعریف ATP ΙΙΙ مبتلا به سندرم متابولیک نبودند, به عنوان نمونه انتخاب شدند. اندازه گیری شاخص های تن سنجی, سابقه بیماری قلبی - عروقی, نمایه توده بدن, کلسترول LDL و کلسترول HDL, کلسترول تام, تری گلیسرید, قندخون ناشتا, قند خون دو ساعته, مصرف سیگار, فشار خون سیستولی و دیاستولی و دور کمر در ابتدای مطالعه ثبت و بروز سندرم متابولیک پس از سه سال پیگیری به عنوان متغیر پاسخ در نظر گرفته شد. مدل های رگرسیون لجستیک, تحلیل ممیزی و شبکه عصبی مصنوعی پس انتشار (15:8:1) و (15:10:1) بر داده ها برازش داده شد و پیش بینی بر اساس این مدل ها انجام شد. از تحلیل راک و آماره کاپا برای مقایسه قدرت پیش بینی مدل ها استفاده شد. نرم افزار MATLAB به این منظور مورد استفاده قرار گرفت.یافته ها: مساحت زیر منحنی راک (ROC) برای مدل های رگرسیون لجستیک, تحلیل ممیزی و مدل های شبکه عصبی مصنوعی (15:8:1) و (15:10:1) به ترتیب 0.749, 0.739 و 0.748 و 0.890 به دست آمد. میزان حساسیت مدل ها به ترتیب 0.483, 0.667, 0.435 و 0.836 و ویژگی آنها به ترتیب 0.857, 0.660, 0.910 و 0.884 برآورد شد. اندازه آماره کاپا برای مدل ها به ترتیب 0.322, 0.363, 0.372 و 0.712 به دست آمد.نتیجه گیری: یافته ها نشان دادند که مدل شبکه عصبی مصنوعی پس انتشار (15:10:1) نسبت به مدل رگرسیون لجستیک و مدل تحلیل ممیزی از دقت بیشتری برای پیش بینی سندرم متابولیک در افراد مورد بررسی برخوردار است.

استنادها

ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    سدهی، مرتضی، محرابی، یداله، کاظم نژاد، انوشیروان، و حدائق، فرزاد. (1388). مقایسه مدل های شبکه عصبی مصنوعی با رگرسیون لجستیک و تحلیل ممیزی در پیش بینی سندرم متابولیک. مجله غدد درون ریز و متابولیسم ایران، 11(6 (مسلسل 48))، 638-646. SID. https://sid.ir/paper/27366/fa

    Vancouver: کپی

    سدهی مرتضی، محرابی یداله، کاظم نژاد انوشیروان، حدائق فرزاد. مقایسه مدل های شبکه عصبی مصنوعی با رگرسیون لجستیک و تحلیل ممیزی در پیش بینی سندرم متابولیک. مجله غدد درون ریز و متابولیسم ایران[Internet]. 1388؛11(6 (مسلسل 48)):638-646. Available from: https://sid.ir/paper/27366/fa

    IEEE: کپی

    مرتضی سدهی، یداله محرابی، انوشیروان کاظم نژاد، و فرزاد حدائق، “مقایسه مدل های شبکه عصبی مصنوعی با رگرسیون لجستیک و تحلیل ممیزی در پیش بینی سندرم متابولیک،” مجله غدد درون ریز و متابولیسم ایران، vol. 11، no. 6 (مسلسل 48)، pp. 638–646، 1388، [Online]. Available: https://sid.ir/paper/27366/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button