📄Работа №92632
Тема: ПОСТРОЕНИЕ НЕЙРОИНФОРМАЦИОННОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ПРОТЕКАНИЯ ТРОМБОТИЧЕСКОГО ПРОЦЕССА
Тип работы
Бакалаврская работа
Предмет
программирование
Объем:
65 листов
Год:
2020
Просмотров:
252
4780
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 5
ГЛАВА 1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 7
ЕЕ ОБ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЯХ 7
1.1.1. Устойчивость к шумам входных данных 8
1.1.2. Адаптация к изменениям 9
Е2. КОМПОНЕНТЫ НЕЙРОННОЙ СЕТИ 9
1.2.1. Нейрон 9
1.2.2. Синапс 10
1.2.3. Базовое представление нейронной сети 10
1.2.4. Функция активации 11
1.2.5. Наборы данных 13
1.2.6. Итерация 13
1.2.7. Эпоха 14
1.2.8. Ошибка 14
Е 3. ВИДЫ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ 16
1.3.1. Однослойные нейронные сети 16
1.3.2. Многослойные нейронные сети 16
1.3.3. Сети прямого распространения 17
1.3.4. Сети с обратными связями 18
Е4. ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ 19
1.4.1. Обучение с учителем 20
1.4.2. Обучение без учителя 21
ГЛАВА 2. ОПИСАНИЕ ПРАКТИЧЕСКОЙ ЧАСТИ 22
2. Е ИСХОДНЫЕ ДАННЫЕ ДЛЯ АНАЛИЗА 22
2.2. ПОДГОТОВКА ДАННЫХ ДЛЯ НЕЙРОСЕТЕВОГО АНАЛИЗА 23
2.2.1. Выборка больных и здоровых 23
2.2.2. Выборка глубокого и поверхностного флеботромбоза 24
2.2.3. Выборка глубокого флеботромбоза и ТЭЛА 24
2.2.4. Выборка поверхностного флеботромбоза и ТЭЛА 25
2.2.5. Выборка всех больных 25
2.3. СРАВНЕНИЕ НЕЙРОННЫХ СЕТЕЙ 26
2.3.1. Многослойный персептрон 26
2.3.2. Метод к-средних 27
2.4. ОБУЧЕНИЕ И ТЕСТИРОВАНИЕ СЕТЕЙ 28
2.5. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ 29
ГЛАВА 3. ПОСТРОЕНИЕ НЕЙРОИНФОРМАЦИОННОЙ СИСТЕМЫ 37
3.1. ОБЩИЙ ВИД СИСТЕМЫ 37
3.2. ВЫЯВЛЕНИЕ БОЛЬНЫХ И ЗДОРОВЫХ 38
3.3. ОПРЕДЕЛЕНИЕ ЗАБОЛЕВАНИЙ 40
3.4. ДОПОЛНИТЕЛЬНАЯ КЛАССИФИКАЦИЯ ЗАБОЛЕВАНИЙ 42
3.5. КОНЕЧНЫЙ ВИД СИСТЕМЫ 44
ЗАКЛЮЧЕНИЕ 46
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 47
ПРИЛОЖЕНИЯ
ГЛАВА 1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 7
ЕЕ ОБ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЯХ 7
1.1.1. Устойчивость к шумам входных данных 8
1.1.2. Адаптация к изменениям 9
Е2. КОМПОНЕНТЫ НЕЙРОННОЙ СЕТИ 9
1.2.1. Нейрон 9
1.2.2. Синапс 10
1.2.3. Базовое представление нейронной сети 10
1.2.4. Функция активации 11
1.2.5. Наборы данных 13
1.2.6. Итерация 13
1.2.7. Эпоха 14
1.2.8. Ошибка 14
Е 3. ВИДЫ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ 16
1.3.1. Однослойные нейронные сети 16
1.3.2. Многослойные нейронные сети 16
1.3.3. Сети прямого распространения 17
1.3.4. Сети с обратными связями 18
Е4. ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ 19
1.4.1. Обучение с учителем 20
1.4.2. Обучение без учителя 21
ГЛАВА 2. ОПИСАНИЕ ПРАКТИЧЕСКОЙ ЧАСТИ 22
2. Е ИСХОДНЫЕ ДАННЫЕ ДЛЯ АНАЛИЗА 22
2.2. ПОДГОТОВКА ДАННЫХ ДЛЯ НЕЙРОСЕТЕВОГО АНАЛИЗА 23
2.2.1. Выборка больных и здоровых 23
2.2.2. Выборка глубокого и поверхностного флеботромбоза 24
2.2.3. Выборка глубокого флеботромбоза и ТЭЛА 24
2.2.4. Выборка поверхностного флеботромбоза и ТЭЛА 25
2.2.5. Выборка всех больных 25
2.3. СРАВНЕНИЕ НЕЙРОННЫХ СЕТЕЙ 26
2.3.1. Многослойный персептрон 26
2.3.2. Метод к-средних 27
2.4. ОБУЧЕНИЕ И ТЕСТИРОВАНИЕ СЕТЕЙ 28
2.5. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ 29
ГЛАВА 3. ПОСТРОЕНИЕ НЕЙРОИНФОРМАЦИОННОЙ СИСТЕМЫ 37
3.1. ОБЩИЙ ВИД СИСТЕМЫ 37
3.2. ВЫЯВЛЕНИЕ БОЛЬНЫХ И ЗДОРОВЫХ 38
3.3. ОПРЕДЕЛЕНИЕ ЗАБОЛЕВАНИЙ 40
3.4. ДОПОЛНИТЕЛЬНАЯ КЛАССИФИКАЦИЯ ЗАБОЛЕВАНИЙ 42
3.5. КОНЕЧНЫЙ ВИД СИСТЕМЫ 44
ЗАКЛЮЧЕНИЕ 46
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 47
ПРИЛОЖЕНИЯ
📖 Введение
Тромбоэмболия лёгочной артерии — закупорка лёгочной артерии или её ветвей тромбами, представляет собой относительно распространённую сердечно-сосудистую патологию. В лёгких случаях протекает практически бессимптомно, однако в тяжёлых случаях характеризуется крайне тяжёлым течением, быстрым развитием патологического процесса и высокой вероятностью летального исхода.
Диагностика ТЭЛА считается сложной, поскольку её симптомы неспецифичны. Считается, что стандартные методы обследования (обычные лабораторные тесты, электрокардиография, рентгенография органов грудной клетки и т.п.) пригодны только для исключения другой патологии со сходной клинической картиной. К чувствительным и специфичным методам диагностики ТЭЛА относят определение d-димера, эхокардиографию, компьютерную томографию, вентиляционно-перфузионную сцинтиграфию, ангиографию сосудов лёгких, а также методы диагностики тромбоза глубоких вен нижних конечностей - все эти методы являются достаточно сложными и требуют дорогостоящего и специфического диагностического оборудования.
Диагностика сложного медицинского заболевания может быть упрощена с помощью методов машинного обучения и интеллектуальных алгоритмов. Данные методы чрезвычайно популярны в наше время. Различные средства массовой информации и IT сообщества регулярно публикуют новые статьи по теме искусственного интеллекта. Статистика также подтверждает заинтересованность в направлении. В приложении 1 представлены данные сервиса Google Trends с января 2004 г. по декабрь 2019 г. по запросу machine learning.
Высокая популярность интеллектуальных алгоритмов вызвана обширностью их применения. Нейронные сети помогают выполнять задачи с неявными способами решения. Достигается это с помощью имитации упрощенной модели работы человеческого мозга. Ниже представлены самые распространенные сферы применения нейронных сетей.
Распознавание — наиболее обширная область применения нейронных сетей. Используется для определения образов, классов на фото, видео и в системах реального времени.
Предсказание — прогнозирование возможных событий. Применяется для выявления роста или падения акций, оценки развитий трендов, определения последующих действий человека.
Классификация — распределение данных по отличительным признакам и свойствам. Выявление групп, классов и скрытых закономерностей в массиве данных. Идеально подходит для диагностирования заболевания на основе роста, веса, показателей крови и других медицинских данных.
В настоящее время системы машинного обучения применяются в быту, игровой индустрии, дорожном управлении, сельском хозяйстве, образовании, промышленности, экономике и медицине. Данные методы позволяют снизить временные затраты, выявить новые закономерности и решить задачи с минимальным участием человека.
Цель: разработать интеллектуальную систему поиска скрытых закономерностей (шаблонов информации) в массиве медицинских данных для диагностирования глубокого флеботромбоза, поверхностного флеботромбоза и тромбоэмболии легочной артерии (ТЭЛА).
Задачи:
1. Изучить архитектуры искусственных нейронных сетей.
2. Выбрать наиболее подходящую архитектуру ИНС.
3. Определить вероятность отнесения пациентов к группам риска при помощи ИНС.
4. Построить нейросетевую систему прогнозирования протекания тромботического процесса.
5. Выявить скрытые закономерности в процессе тромбообразования у пациентов.
Диагностика ТЭЛА считается сложной, поскольку её симптомы неспецифичны. Считается, что стандартные методы обследования (обычные лабораторные тесты, электрокардиография, рентгенография органов грудной клетки и т.п.) пригодны только для исключения другой патологии со сходной клинической картиной. К чувствительным и специфичным методам диагностики ТЭЛА относят определение d-димера, эхокардиографию, компьютерную томографию, вентиляционно-перфузионную сцинтиграфию, ангиографию сосудов лёгких, а также методы диагностики тромбоза глубоких вен нижних конечностей - все эти методы являются достаточно сложными и требуют дорогостоящего и специфического диагностического оборудования.
Диагностика сложного медицинского заболевания может быть упрощена с помощью методов машинного обучения и интеллектуальных алгоритмов. Данные методы чрезвычайно популярны в наше время. Различные средства массовой информации и IT сообщества регулярно публикуют новые статьи по теме искусственного интеллекта. Статистика также подтверждает заинтересованность в направлении. В приложении 1 представлены данные сервиса Google Trends с января 2004 г. по декабрь 2019 г. по запросу machine learning.
Высокая популярность интеллектуальных алгоритмов вызвана обширностью их применения. Нейронные сети помогают выполнять задачи с неявными способами решения. Достигается это с помощью имитации упрощенной модели работы человеческого мозга. Ниже представлены самые распространенные сферы применения нейронных сетей.
Распознавание — наиболее обширная область применения нейронных сетей. Используется для определения образов, классов на фото, видео и в системах реального времени.
Предсказание — прогнозирование возможных событий. Применяется для выявления роста или падения акций, оценки развитий трендов, определения последующих действий человека.
Классификация — распределение данных по отличительным признакам и свойствам. Выявление групп, классов и скрытых закономерностей в массиве данных. Идеально подходит для диагностирования заболевания на основе роста, веса, показателей крови и других медицинских данных.
В настоящее время системы машинного обучения применяются в быту, игровой индустрии, дорожном управлении, сельском хозяйстве, образовании, промышленности, экономике и медицине. Данные методы позволяют снизить временные затраты, выявить новые закономерности и решить задачи с минимальным участием человека.
Цель: разработать интеллектуальную систему поиска скрытых закономерностей (шаблонов информации) в массиве медицинских данных для диагностирования глубокого флеботромбоза, поверхностного флеботромбоза и тромбоэмболии легочной артерии (ТЭЛА).
Задачи:
1. Изучить архитектуры искусственных нейронных сетей.
2. Выбрать наиболее подходящую архитектуру ИНС.
3. Определить вероятность отнесения пациентов к группам риска при помощи ИНС.
4. Построить нейросетевую систему прогнозирования протекания тромботического процесса.
5. Выявить скрытые закономерности в процессе тромбообразования у пациентов.
✅ Заключение
В ходе выполнения квалификационной работы были изучены архитектуры искусственных нейронных сетей, выбраны наиболее подходящие классификаторы библиотеки зМсит, реализовано определение вероятностей отнесения пациентов к группам риска при помощи ИНС, построена нейросетевая система прогнозирования протекания тромботического процесса, реализован поиск скрытых закономерностей в процессе тромбообразования у пациентов.
Была разработана трехэтапная система отнесения пациентов к группам риска с предоставлением вероятностных оценок и последующей классификацией. Результаты работы предоставят врачебному персоналу дополнительную информацию о диагностировании тромботических заболеваний и их прогнозировании.
Также, полученные данные будут использованы в дальнейшем исследовании НУЗ «Отделенческая клиническая больница на станции Барнаул» по диагностированию тромботических заболеваний совместно со статистическими методами.
Таким образом, цель выпускной квалификационной работы достигнута, разработана нейроинформационная система прогнозирования протекания тромботического процесса.
Была разработана трехэтапная система отнесения пациентов к группам риска с предоставлением вероятностных оценок и последующей классификацией. Результаты работы предоставят врачебному персоналу дополнительную информацию о диагностировании тромботических заболеваний и их прогнозировании.
Также, полученные данные будут использованы в дальнейшем исследовании НУЗ «Отделенческая клиническая больница на станции Барнаул» по диагностированию тромботических заболеваний совместно со статистическими методами.
Таким образом, цель выпускной квалификационной работы достигнута, разработана нейроинформационная система прогнозирования протекания тромботического процесса.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.