فایل ورد کامل یک سیستم خبره بر پایه شبکه عصبی برای تشخیص دیابت شیرین

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

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یک سیستم خبره بر پایه شبکه عصبی برای تشخیص دیابت شیرین،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۷ صفحه

چکیده

دیابت یک بیماری است که گلوکز خون، یا سطح قند خون در بدن، بسیار بالا هستند. آسیب های ناشی از دیابت می توانند بسیار مختلف بوده و حتی در زنان آبستن، به دلیل زمینه برای انتقال بیماری ارثی به نسل بعدی، بیشتر قابل توجه هستند. سیستم های متخصص اکنون برای تشخیص پزشکی امراض در بیماران، به منظور تشخیص بیماری و کمک به ارائه راه حل برای آن، استفاده می شوند. این تحقیق، یک مدل شبکه عصبی برای تشخیص دیابت شیرین در زنان حامله، ایجاد و به کار گرفت. مدل یک شبکه عصبی پیشخور(feed forward network) چهار لایه، که با استفاده از الگوریتم بازگشت به عقب (back-propagation)، آموزش دیده است. لایه ورودی، نورون دارد، دو لایه ی مخفی، هرکدام نورون داشته، و لایه خروجی یک نورون دارد، که هر کدام نتایج تشخیص (diagnosis result) هستند. مدل توسعه یافته نیز در یک برنامه مبتنی بر وب، برای تسهیل استفاده از آن، گنجانده شده است. اعتبارسنجی توسط رگرسیون، نشان می دهد که شبکه ی آموزش دیده، بیش از %، دقیق است.

– بحث

این تحقیق یک مدل شبکه عصبی برای کمک به تشخیص اینکه زنان حامله دیابت دارند یا نه، ایجاد کرده است. مدل ایجاد شده همچنین در یک نرم افزار مبتنی بر وب، برای دسترسی آسان، قرار داده شد. به همین ترتیب، کارکنان بهداشتی و یا بیماران در نقاط دور دست می توانند به سیستم دسترسی داشته باشند، داده های بیمار را در زمان واقعی وارد کنند و تشخیص را بدون نیاز به حضور در اطراف بیمار، مکاتبه کنند. برخی توصیه ها برای پیشرفت آن شامل یک سکوی(سطح مذاکره، اساس) موبایل Mobile Platform می باشد. سیستم در حال حاضر روی یک پلت فرم مبتنی بر وب می باشد، اما می تواند بیشتر سودمند باشد اگر که بتواند روی یک پلت فرم موبایل، که در آن دسترسی آفلاین به گوشی ها و دستگاه های دیگر وجود دارد، قرار گیرد.

عنوان انگلیسی:A Neural Network Based Expert System for the Diagnosis of Diabetes Mellitus~~en~~

Abstract

Diabetes is a disease in which the blood glucose, or blood sugar levels in the body are too high. The damage caused by diabetes can be very severe and even more pronounced in pregnant women due to the tendency of transmitting the hereditary disease to the next generation. Expert systems are now used in medical diagnosis of diseases in patients so as to detect the ailment and help in providing a solution to it. This research developed and trained a neural network model for the diagnosis of diabetes mellitus in pregnant women. The model is a four-layer feed forward network, trained using back-propagation and Bayesian Regulation algorithm. The input layer has 8 neurons, two hidden layers have 10 neurons each, and the output layer has one neuron which is the diagnosis result. The developed model was also incorporated into a web-based application to facilitate its use. Validation by regression shows that the trained network is over 92% accurate.

– Conclusion

This research has developed a neural network model to help in the diagnosis of pregnant women whether they have diabetes or not. The developed model has also been incorporated into a web based application for easy accessibility. As such, health workers or patients at remote locations can access the system, enter patient data in real time and communicate the diagnosis without having to be around the patient. Some recommendations for its advancement include a Mobile Platform. The system is on a web-based platform at the moment but it would be more beneficial if the system can be based on mobile platforms where there can be offline access on phones, and other devices.

$$en!!