به كارگيري شبكه عصبي در كاهش الكترودهاي ثبت سيگنال‌هاي قلبي

تعداد صفحات : 210 صفحه

•           چكيده

•           فصل اول : قلب به عنوان يك منبع پتانسیل

          شکل موج ECG

          سیستم لید استاندارد

•           فصل دوم : آشنایی مقدماتی با MATLAB

          ماتریس ها در MATLAB

          عملگر کولون

          اسکریپت ها و توابع

          و ...

•           فصل سوم : مفهوم شبکه های عصبی

          کتب مرجع شبکه های عصبی

          کاربرد شبکه های عصبی

          آشنایی با مدل نورون و معماری شبکه های عصبی

          نورون با یک ورودی Scalar

          توابع انتقال

          نورون با یک بردار به عنوان ورودی

          معماری شبکه های عصبی

          ورودی ها و لایه ها

          شبکه های چند لایه

          ساختمان داده های مورد استفاده

          شبیه سازی با ورودی های همزمان در یک شبکه ایستا

          شبیه سازی با ورودی های ترتیبی در یک شبکه پویا

          شبیه سازی ورودی های همزمان در یک شبکه پویا

          روش های آموزش

          آموزش گام به گام

          آموزش گام به گام در شبکه های ایستا

          آموزش گام به گام در شبکه های پویا

          آموزش دسته ای

          آموزش دسته ای در شبکه های پویا

•           فصل چهارم : شبکه های پرسپترون

          مقدمه

          مدل نورون پرسپترون

          معماری پرسپترون

          ایجاد یک شبکه پرسپترون

          شبیه سازی

          مقداردهی آغازین پارامترها

          قوانین یادگیری

          قاعده یادگیری پرسپترون (learnp)

          آموزش پرسپترون

          محدودیت ها و تضمین های پرسپترون

          قاعده یادگیری نرمال سازی شده پرسپترون

•           فصل پنجم : شبکه های پس انتشار

          معماری شبکه های پس انتشار

          شبکه های Feedforward

          ایجاد یک شبکه Feedforward

          مقدار دهی آغازین به وزن ها

          شبیه سازی

          آموزش شبکه

          backpropagation یا BP

          آموزش دسته ای

          آموزش دسته ای کاهش شیب

          آموزش دسته ای کاهش شیب با Momentum

          Variable learning rate (traingda , traingdx)

          الگوریتم های شیب توأم

          الگوریتم شیب توأم Fletcher-Reeves

          الگوریتم شیب توأم Polak-Ribirere

          الگوریتم شیب توأم Powell-Beale Restarts

          الگوریتم شیب توأم مقیاس شده

          رویه های جستجوی خطی

          الگوریتم های شبه نیوتن

          الگوریتم BFGS

          الگوریتم One Step Secant

          الگوریتم Levenbery-Marqwardt

          مقایسه سرعت و حافظه در الگوریتم های مختلف

          تابع Sin

          تشخیص بیت Parity

          مسئله ENGINE

          مسئله CANCER

          مسئله Cholestrol

          مسئله DIABETS

          بهبود عمومیت شبکه

          تنظیم

          تنظیم خودکار

          توقف زودرس

          پیش پردازش و پس پردازش

          میانگین و انحراف معیار

          تحلیل اجزا اصلی

          تحلیل Post-Training

          محدودیت های پس انتشار

•           فصل ششم : شبيه سازي پروژه به وسيله نرم افزارmatlab

          كليات

          پيش پردازش

          ساختار شبكه

          روش آموزش شبكه

          نتيجه گيري

•           منابع

----------------------
 چکیده :

باتوجه به اين كه درسالهاي اخير تحقيقات زيادي درجهت كاهش الكترودهاي مثبت نوارقلب انجام شده است.دراين پروژه نيزسعي شده بااستفاده ازيك شبكه عصبي پيشخور(FF)چندلايه(MLP)روشي براي كاهش الكترودهاي ثبت نوارقلب (ECG) پيشنهادشود.باتوجه به اين روش مي توان تنهابااتصال5الكترود به جاي 10 الكترود ثبت نوارقلبي،تمامي اشتاق هاي استانداردرابه دست آورد. دراين پروژه براي آموزش شبكه عصبي وجهت پيشگيري از(OVERFITING) ازالگوريتم (EARLY STOPPED TRAINING)استفاده شده است.خطاهاي بسيارپايين (MSE<0.0008)درمرحله آزمايش شبكه عصبي وشباهت بسيارزيادسيگنالهاي اصلي (CORRELATION>0.86)ازجمله خصوصيات اين روش است .


----------------------