شیرین اسدی
عنوان پایان‌نامه
پیش بینی سطح لوکوسیت ها در ورزش با استفاده از شبکه عصبی مصنوعی در افراد سالم غیر فعال
- مقطع تحصیلی
- کارشناسی ارشد
- تاریخ دفاع
- ۲۹ شهریور ۱۴۰۲
- ساعت دفاع
- چکیده
- زمینه و هدف: یکی از دغدغه های مهم در زمینه ایمونولوژی ورزش، تعیین شدت و مدت زمان مناسب ورزش برای جلوگیری از سرکوب سیستم ایمنی است. اتخاذ یک رویکرد قابل اعتماد برای پیش بینی تعداد گلبول های سفید خون (WBCs) در طول ورزش میتواند به شناسایی شدت و مدت زمان مناسب کمک کند. بنابراین، این مطالعه به منظور پیش‌بینی سطوح لکوسیت در حین ورزش با استفاده از یک مدل یادگیری ماشینی طراحی شد. روش کار: ما از یک الگوریتم شبکه عصبی مصنوعی (ANN) برای پیش‌بینی تعداد لکوسیت ها استفاده کردیم. در این مدل شدت و مدت تمرین، مقادیر لکوسیت ها قبل از تمرین، جنسیت، سن، شاخص توده بدنی و حداکثر ظرفیت هوازی به عنوان ورودی و مقادیر لکوسیت ها بعد از تمرین به عنوان خروجی انتخاب شد. این اطلاعات از ۲۰۰ نفر از افراد واجد شرایط جمع آوری شد که ۷۰ درصد از کل داده ها برای آموزش و ۳۰ درصد مابقی برای آزمون در نظر گرفته شد. در نهایت، کارایی مدل با استفاده از آمارهای استاندارد (ضریب تعیین (R۲)؛ ریشه میانگین مربعات خطا (RMSE)؛ میانگین خطای مطلق (MAE)؛ و ضریب کارایی نش-ساتکلیف (NSE) مورد ارزیابی قرار گرفت. یافته های پژوهش: نتایج ما نشان داد که مدل ANN با NSE=۰.۶۹، R۲=۰.۷۱، RMSE=۱.۰۵ و MAE=۰.۸۷ کارایی خوبی برای پیش‌بینی تعداد WBC دارد. علاوه بر این، نتایج نشان داد که شدت و مدت تمرین غیر از ویژگی‌های فردی برای بهبود پیش‌بینی تعداد لنفوسیت‌ها، نوتروفیل‌ها، مونوسیت‌ها و WBC ضروری است، در حالی که برای تخمین ائوزینوفیل ساختار بهتری با حذف مدت و شدت تمرین به دست آمد. نتیجه‌گیری: این مطالعه نشان داد که مدل ANN با استفاده از ویژگی‌های افراد، شدت و مدت ورزش میتواند تعداد WBC را در حین ورزش در افراد سالم پیش‌بینی کند. کلمات کلیدی: سیستم ایمنی، ورزش، لکوسیت، مدل داده محور
- Abstract