عنوان

استفاده از یک رویکرد تکاملͬ برای ایجاد سامانە ی مبتنͬ بر قوانین فازی جهت تشخیص بیماری مزمن کلیوی

Number

پ۲۸۸۵۸

.Language of Text, Soundtrack etc

per

Title Proper

استفاده از یک رویکرد تکاملͬ برای ایجاد سامانە ی مبتنͬ بر قوانین فازی جهت تشخیص بیماری مزمن کلیوی

First Statement of Responsibility

مهسا هاشم زاده

Name of Publisher, Distributor, etc.

ریاضی آماروعلوم کامپیوتر

Date of Publication, Distribution, etc.

۱۴۰۲

Specific Material Designation and Extent of Item

۱۴۵ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

علوم کامپیوتر گرایش محاسبات نرم و هوش مصنوعی

Date of degree

۱۴۰۲/۰۴/۰۶

Text of Note

نارسایی مزمن کلیوی موجب از دست رفتن تدریجی عملکرد کلیه می شود. ازآنجایی که کلیە ها توانایی جبران عملͺردازدست رفته را دارند، ممͺن است نشانە های بیماری تا زمان بروز آسیب های جبران ناپذیر، ظاهر نشود. همچنین علائم بیماریکلیوی میتواند در بیشتر بیماری های دیͽر نیز ایجاد شوند، پس تشخیص صحیح با دقت بالا در مراحل اولیه از اهمیت بالاییبرخوردار است. رایج ترین روش تشخیص، اندازە گیری سطوح برخی مواد دفعͬ در خون و ادرار فرد مشͺوک به بیماری طͬآزمایش های بالینͬ است. پیش تر رویͺردهای کامپیوتری غیرقطعͬ مانند طبقە بند فازی، یادگیری عمیق، روش های تکامل،ͬسامانە ی قوانین فازی، تلفیق شبͺە های عصبی با روش های تکاملͬ و غیره ارائه شده است. تمام این روش ها جواب رابە صورت تقریبی محاسبه مͬ کنند، بنابراین هرکدام دارای مقداری خطا هستند و این میزان خطا مͬ تواند درنتیجە ی تشخیصتاثیر زیادی داشته باشد. از طرفͬ دسترسͬ به نحوە ی تشخیص و سازوکار الͽوریتم های پیشنهادی برای جامعە ی پزشͺان وافراد خبره تا حدودی دشوار بوده و نیازمند دانش تخصصͬ کامپیوتری است. در این پایان نامه با استفاده از مباحث هوشمصنوع،ͬ ی ͷرویͺرد هوشمند برای تشخیص نارسایی مزمن کلیوی ارائه شده است که نتایج را در قالب قوانینͬ قابل درکو ارزیابی ارائه مͬ کند. راهͺار پیشنهادی با استفاده از الͽوریتم ژنتی ͷی ͷسامانە ی استنتاج فازی برای تشخیص نارساییکلیوی تولید مͬ کند که با بهرە گیری از کروموزوم های دو بخشͬ منجر به تولید و انتخاب بهترین قوانین فازی در هر نسل شدهو در نتیجه عملͺرد سامانە ی فازی را افزایش می دهد. بر اساس پایͽاه دادە ی استفاده شده در این پایان نامه، ۲۴ویژگͬ ورودیبرای تولید قوانین فازی استفاده مͬ شود که توابع عضویت هری ͷباتوجە به حقایق علم پزش ͬͺمقیاس بندی شده و در امرتشخیص استفاده میشوند. نتایج قوانین که همان کلاس تشخیص است بیانگر دو حالت بیمار یا سالم است. آزمایش هایمختلف در شرایط متفاوت برای ارزیابی راهͺار این پایان نامه، اجرا شده است. بر اساس نتایج حاصل از ارزیابی ها، روشارائه شده عملͺرد قابل قبولͬ در تشخیص بیماری داشته، میزان خطای آن کمینه بوده و دقت تشخیص آن بالاست

Text of Note

Abstract: Chronic kidney disease causes gradual loss of kidney function. Since the kidneys have the abilityto compensate for the lost function, symptoms of the disease may not appear until irreversible damageoccurs. Also, kidney disease symptoms can occur in most of the other diseases, so accurate diagnosisin the early stages is very important. The most common diagnostic method is to measure the levels ofsome excretory substances in the blood and urine of a person suspected of having the disease by clinicaltests. Previously, non-deterministic computational approaches such as fuzzy classifier, deep learning,evolutionary methods, fuzzy rule system, integration of neural network with evolutionary methods, etc.have been proposed. All these methods calculate the results approximately, so each one has some errorand this error can have a great impact on the result of diagnosis. On the other hand, access to thediagnosis and mechanism of the proposed algorithms for the medical community and experts is somewhatdifficult and requires specialized computer knowledge. In this thesis, using artificial intelligence topics,an intelligent approach for diagnosing chronic kidney disease is presented which grants the results in theform of understandable and evaluable rules. The proposed solution uses genetic algorithm to generatea fuzzy inference system for diagnosing kidney disease that leads to the production and selection of thebest fuzzy rules in each generation by using bipartite chromosomes and thus improves the performanceof the fuzzy system. Based on the database used in this thesis, 24 input features are used to generate fuzzyrules that each one’s membership functions are scaled according to medical science facts, and used indiagnosis process. The results of the rules are the diagnostic class, indicating the two states of sickness orhealthy. Various experiments have been performed under different conditions to evaluate the solution ofthis thesis. Based on the results obtained from these experiments and evaluations, the proposed methodhas acceptable performance in diagnosing the disease, its error rate is minimal, and its diagnostic accuracyis high.

Variant Title

Using an Evolutionary Approach to Create Rule-Based Fuzzy System for Diagnosing Chronic Kidney Disease

Entry Element

‏هاشم زاده‏،

Part of Name Other than Entry Element

مهسا ‏

Relator Code

تهیه کننده

Entry Element

‏لطفی‏،

Entry Element

‏رزم آرا،

Part of Name Other than Entry Element

شهریار ‏

Part of Name Other than Entry Element

جعفر ‏

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏ تبریز