ارائه کننده: سید علی هاشمی شیخ‌شبانی
استاد راهنما: دکتر سعید جلیلی
استاد ناظر داخلی اول: دکتر محمد صنیعی آباده
استاد ناظر خارجی اول: دکتر محمد حسین هاشمی نژاد (دانشگاه الزهرا)
استاد مشاور اول: دکتر فوآد قادری
تاریخ: 1402/04/11
ساعت: 14
مکان: دانشکده مهندسی برق و کامپیوتر – طبقه 5 سالن جلسات

چکیده:
پرونده الكترونيك سلامت منبعي مهم براي جمع‌آوري داده‌هاي بالینی بيماران به حساب می‌آید، اما مقادیر گمشده در داده‌های سری زمانی بالینی به دلایل ناهنجاری در جمع‌آوری و ذخیره‌سازی، خطای انسانی و خرابی تجهیزات فراگیر و اجتناب ناپذیر است. داده‌هاي از دست رفته صحت نتايج آماري يك مطالعه را كاهش مي‌دهند و مي‌توانند تخمين جهت‌گيري شده‌اي ايجاد كنند كه منجر به نتيجه گيري‌هاي نامعتبر شود.
تخمین مقادیر ازدست رفته در داده‌های سری زمانی مبتنی بر داده‌های موجود، یکی از روش‌های مورد توجه محقیقن بوده‌است. این رویکرد به دنبال تخمین مقادیر قابل قبول از میان داده‌های موجود و جایگذاری مقادیر ازدست‌رفته با آن‌ها است. روش‌های آماری و یادگیری ماشین بعنوان روش‌های سنتی تخمین مقادیر ازدست‌رفته شناخته شده‌اند. دسته سوم و جدید تخمین مقادیر ازدست‌رفته روش‌های مبتنی بر یادگیری عمیق است، این روش‌ها با بهره‌مندی از شبکه‌های عصبی بازگشتی دوطرفه و شبکه‌های مولدعمیق روابط زمانی بلند مدت، همبستگی ویژگی‌ها و تخمین مبتنی  بر توزیع داده‌های مشاهده شده را درنظر می‌گیرند.
در این پایان‌نامه، برای تخمین مقادیر ازدست‌رفته در داده‌های سری زمانی و تولید داده‌های کامل باکیفیت و بهبود در دقت نتایج ارزیابی دسته‌بندی از رویکرد مبتنی بر یادگیری عمیق استفاده شده‌است.  یک روش ترکیبی انتها به انتها شبکه رمزگذار متغیر و شبکه‌ عصبی بازگشتی دوطرفه بهبود یافته پیشنهاد شده‌است. قبل از تغذیه شبکه با داده‌های سری زمانی خام، انتخاب ویژگی مفید باهدف حذف متغیرهای گمشده با نرخ بسیار بالا اعمال شده‌است. سپس داده‌های تولید شده توسط شبکه رمزگذارخود متغیر و شبکه عصبی بازگشتی ترکیب شده و داده‌های کامل (بدون گمشدگی) تولید می‌شود. از داده‌های کامل با هدف  تولید حالت‌های پنهان با کیفیت بعنوان ورودی سلول‌های بازگشتی توسعه یافته استفاده می‌شود. سپس با بهره‌مندی از مکانیسم توجه ترکیب وزن‌داری از کل حالت‌های پنهان برای پیش‌بینی مرگ و میر پیشنهاد شده‌است.
نتایج ارزیابی روش پیشنهادی برای دومجموعه داده Physionet , MIMIC-III نشان می‌دهد، روش پیشنهادی برای وظیفه تخمین مقادیر ازدست‌رفته و پیش‌بینی مرگ و میر در مقایسه با سایر روش‌های رقابتی برتری دارد. همچنین در فصل نتایج ارزیابی، اثربخشی هرمولفه و ترکیبات آن‌‌ها در روش پیشنهادی به تفکیک مجموعه داده و معیارهای ارزیابی تحلیل و گزارش شده‌است. چنین تحلیلی مشارکت هرمولفه در بهبود نتایج ارزیابی را نشان می‌دهد.