TY - JOUR T1 - Artificial neural network for risk assessment of neonatal movement disorders TT - شبکه عصبی مصنوعی برای ارزیابی خطر اختلالات حرکتی در نوزادان JF - RJMS JO - RJMS VL - 20 IS - 115 UR - http://rjms.iums.ac.ir/article-1-2923-fa.html Y1 - 2014 SP - 31 EP - 38 KW - Human development KW - Infant KW - Artificial neural network KW - Logistic regression KW - Movement disorder N2 -  زمینه و هدف: پیش بینی اختلالات تکاملی بعدی در هنگام تولد بسیار با اهمیت است. این مطالعه با هدف پیش­بینی اختلالات حرکتی کودکان با استفاده از شبکه عصبی مصنوعی Artificial Neuronal Network -ANN)) در دوره نوزادی طرح­ریزی شده است. روش کار: در این مطالعه­ی گذشته­نگر، 600 شیرخوار با معاینه عصبی طبیعی و 120 شیرخوار با معاینه عصبی غیر طبیعی بررسی شدند. برای انجام تحلیل، داده­ها به صورت تصادفی به دو قسمت آموزشی و آزمایشی تقسیم شدند. فرآیند یادگیری با مجموعه اول (360 مورد) انجام شد. پس از آموزش شبکه، مرحله آزمایش شبکه با مجموعه داده­های آزمایشی (360 مورد داده­های باقی­مانده) انجام پذیرفت. تحلیل  داده­ها با نرم­افزارR  نسخه 1/14 انجام شد. یافته‌ها: برای مقایسه صحت کلاس بندی دو مدل مبتنی بر مجموعه آزمایشی در پیشگویی اختلال حرکتی از جدول صحت کلاس بندی استفاده گردید. شاخص­های هماهنگی نشان داد که شبکه عصبی مصنوعی در مقایسه با مدل رگرسیون لجستیک دارای دقت پیشگویی بالاتری است و مجموع پیشگویی درست با/بدون اختلال حرکتی در شبکه عصبی مصنوعی 6/78 درصد در مقابل 9/73 درصد می باشد. سطح زیر منحنی مشخصه عملکرد در مورد شبکه عصبی مصنوعی 71/0 و در مدل رگرسیون لجستیک 68/0 به دست آمد. در مجموع، ویژگی و حساسیت شبکه عصبی مصنوعی در مقایسه با مدل رگرسیون به ترتیب 0/88 درصد در مقابل 0/85 درصد و 7/31 درصد در برابر 3/18 درصد به دست آمد. نتیجه‌گیری: توانایی شبکه عصبی مصنوعی و مدل رگرسیون لجستیک در پیش بینی کودکان بدون اختلال حرکتی مشابه بوده ولی توانایی شبکه عصبی مصنوعی در پیش بینی اختلال حرکتی بیش­تر از مدل رگرسیونی است.  M3 ER -