1389/12/10، جلد ۶، شماره ۴، صفحات ۲۸-۳۹
عنوان فارسی طراحی شبکه عصبی مصنوعی برای مدل‌بندی پاسخ‌های دو متغيره آميخته و کاربرد آن در داده‌های پزشکی
چکیده فارسی مقاله مقدمه و اهداف: زمانی که در يک مطالعه متغيرهای پاسخ دارای مقياس اندازه‌گيری متفاوت باشند، پاسخ‌ها را چندمتغيره آميخته می‌گويند. با توجه به محدوديت‌ها و برقرارنبودن برخی پيش‌ فرض‌ها، روش‌های کلاسيک آماری برای مدل‌بندی و پيش‌بينی اين نوع پاسخ‌ها کارايی ندارند. هدف اين مطالعه، طراحی شبکه عصبی مصنوعی برای مدل‌بندی و پيش‌ينی پاسخ‌های دومتغيره آميخته است.
روش کار: اين مطالعه شامل سه مرحله طراحی مدل، شبيه‌سازی و برازش مدل بر داده‌های واقعی است. پس از طراحی مدل، با در نظر گرفتن پارامترهای مختلف، دو مجموعه داده شبيه‌سازی و مدل‌های يک‌ متغيره و دومتغيره مورد ارزيابی قرار گرفتند. برای آموزش شبکه از الگوريتم شيب توام مقياس شده و برای تعيين مناسب‌ترين مدل از معيار صحت پيش‌بينی استفاده شد. مدل پيشنهادی برای پيش‌بينی توام سندرم متابوليک و شاخص مقاومت به انسولين در مطالعه قند و ليپيد تهران به‌کار گرفته شد. برنامه‌های رايانه‌ای در نرم‌افزارهايR 2.9.0 و MATLAB 7.6 طراحی و اجرا گرديد.
نتايج: در مجموعه شبيه‌سازی اول، صحت پيش‌بينی در مدل‌های يک متغيره و دومتغيره تقريبا يکسان ولی در مجموعه شبيه‌سازی دوم، در مدل‌های دو متغيره نسبت به مدل‌های يک متغيره بيشتر است. در مدل‌های دو متغيره، صحت پيش‌بينی مدل با افزايش همبستگی متغيرهای پاسخ، بيشتر می‌شود. در داده‌های واقعی مدل با 10 گره در لايه ميانی دارای بيشترين صحت پيش‌بينی است.
 نتيجه‌گيری: تحقيق نشان داد، در حالتی‌که دو متغير پاسخ با متغيرهای کمکی ارتباط دارند مدل دومتغيره نسبت به يک متغيره مناسب‌تر است و با افزايش همبستگی، صحت پيش‌بينی افزايش می‌يابد.
کلیدواژه‌های فارسی مقاله پاسخ‌های آمیخته،شبکه عصبی مصنوعی،مدل‌های دومتغیره،مطالعه قندولیپید تهران
عنوان انگلیسی Artificial Neural Network Design for Modeling of Mixed Bivariate Outcomes in Medical Research Data
چکیده انگلیسی مقاله Background & Objective: Mixed outcomes arise when, in a multivariate model, response variables measured on different scales such as binary and continuous. Artificial neural networks (ANN) can be used for modeling in situations where classic models have restricted application when some of their assumptions are not met. In this paper, we propose a method based on ANNs for modeling mixed binary and continuous outcomes.
Methods: Univariate and bivariate models were evaluated based on two different sets of simulated data. The scaled conjugate gradient (SCG) algorithm was used for optimization. To end the algorithm and finding optimum number of iteration and learning coefficient, mean squared error (MSE) was computed. Predictive accuracy rate criterion was employed for selection of appropriate model. We also used our model in medical data for joint prediction of metabolic syndrome (binary) and HOMA-IR (continues) in Tehran Lipid and Glucose Study (TLGS). The codes were written in R 2.9.0 and MATLAB 7.6.
Results: The predictive accuracy for univariate and bivariate models based on simulated dataset Ι, where two outcomes associated with a common covariate, were shown to be approximately similar. However, in simulated dataset ΙΙ in which two outcomes associated with different covariates, predictive accuracy in bivariate models were seen to be larger than that of univariate models.
Conclusions: It is indicated that the predictive accuracy gain is higher in bivariate model, when the outcomes share a different set of covariates with higher level of correlation between the outcomes.
کلیدواژه‌های انگلیسی مقاله Mixed Response,Artificial Neural Network,Bivariate Models,TLGS
نویسندگان مقاله 9039---9040---9041---9042---9043---
نشانی اینترنتی http://irje.tums.ac.ir/browse.php?a_code=A-10-25-66&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده General
نوع مقاله منتشر شده Research
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات