تحقیق درباره طبقه بندی بیماریهای عصبی

اختصاصی از فایل هلپ تحقیق درباره طبقه بندی بیماریهای عصبی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 12

طبقه بندی بیماریهای عصبی-عضلانی بر اساس معیار های بالینی، آنالیزهای ملکولی

 و ایمونوهیستوشیمی در بیماران ایرانی

چکیده

هدف: بیماریهای عصبی عضلانی  یک گروه هتروژنوس از بیماریهای وراثتی است. بیش از 150 نوع از این گروه از بیماریها تاکنون شناسایی شده است. اگر چه اختلالات عضلانی کودکان یکی از علل اصلی ناتوانی می‌باشد، پیشرفتهای چشمگیری در زمینه علل ژنتیکی این بیماریها صورت گرفته است،که در زمینه پیشگیری و تشخیص آن بسیار مهم می‌باشد. معیارهایی که برای طبقه بندی این بیماریها استفاده می‌شود عبارتند از: سن بروز بیماری، میزان پیشرفت بیماری و نوع وراثت.

بیماریهای عصبی عضلانی به چهار دسته طبقه بندی می‌شوند:

میوپاتیها (بیماریهای دیستروفی عضلانی)؛ نوروپاتی‌ها (بیماری شارکوت ماری توث) بیماریهای محل اتصال عصب و عضله (سندرم میاستنی مادرزادی)، بیماریهای نورون حرکتی(آتروفی عضلانی نخاعی).

هدف از این مطالعه طبقه بندی بیماریهای عصبی عضلانی بر اساس معیارهای بالینی و آنالیزهای مولکولی و ایمنو هیستو شیمی در بیماران ایرانی مراجعه کننده به مرکز تحقیقات ژنتیک است. از آنجایی که بیماریهای عصبی – عضلانی دومین معلولیت شایع می‌باشد لزوم بررسی بیشتر در مورد این گروه از بیماریها، در جمعیت ایران ضروری می‌باشد. بدین ترتیب این مطالعه برای اولین بار بر روی بیماران ایرانی صورت گرفت  که پس از اخذ فرم رضایت نامه بررسی‌های ذکر شده انجام گردید.

روش بررسی: در مجموع در این تحقیق 143 بیمار مشکوک به نقصهای عصبی عضلانی ارجاع شده به مرکز تحقیقات ژنتیک تحت معاینه بالینی و انجام آزمایشات آنزیم‌های عضلانی و الکترومیوگرافی قرار گرفتند و پس از آن بر حسب مورد آزمایشات ملکولی و ایمونوهیستوشیمی انجام گرفت.

یافته‌ها: 82  بیمار با دیستروفی عضلانی میوتونیک، 19 بیمار با  دیستروفی عضلانی دوشن و بکر، 6 بیمار دیستروفی میوتونیک مادرزادی(CMD)، 3 بیمار FSHD، 10 بیمار آتروفی عضلانی نخاعی (SMA)،2 بیمار دیستروفی میاستنی مادرزادی (CMS) و21 بیمار مشکوک به دیستروفی عضلانی کمربند لگنی- شانه‌ای (LGMD) بودند.

در مورد سایر موارد نیاز به بررسی مولکولی بیشتر و بررسی دقیق تر برحسب علایم بود که در این تحقیق جای نمی‌گرفت.

نتیجه‌گیری: در مواردی که دیستروفی میوتونیک نوع I علیرغم ظن بالینی تایید نگردید، بررسی نوع II دیستروفی میوتونیک ضروری می‌باشد.

در بیماران مبتلا به دیستروفی عضلانی کمربند لگنی- شانه ای که 5 آنتی بادی مورد بررسی طبیعی بودند. بررسی آنالیز Multiplex western-blot توصیه می گردد.

همچنین برای موارد دیستروفی عضلانی مادرزادی غیر از بررسی مروزین،‌ بررسی سایر پروتئین های درگیر و نیز انجام آزمایشات ملکولی جهت تعیین موتاسیون لازم می‌باشد.

کلید واژه‌ها: بیماریهای عصبی/ عضلانی / میوپاتی / نوروپاتی / آنالیز ایمونوهیستوشیمی / آنالیز ملکولی

کیمیا کهریزی

ماندانا حسن زاد

 الهه کیهانی

مجتبی عظیمیان

فریدون لایقی

افشین وجدانی روشن

یوسف شفقتی

جان آندونی اورتیزبرا

دانیل هنتای

INSERM ، پاریس- فرانسه

حسین نجم آبادی

مرکز تحقیقات ژنتیک دانشگاه علوم بهزیستی و توانبخشی- تهران- ایران 

مقدمه

بیماریهای عصبی عضلانی یک گروه از اختلالات هتروژن پیشرونده هستند و دارای هتروژنیتی قابل ملاحظه ای می‌باشند. بر اساس اطلاعات موجود از هر 3000 تا 4000 نوزادی که متولد می‌شوند یک‌نفر دچار یکی از بیماریهای عصبی – عضلانی (نوروماسکولار) می‌باشد. ویژگی مبتلایان این است که معمولاً دستگاه عصبی مرکزی و توان ذهنی طبیعی،‌اما بخش حرکتی بدن گرفتار است. نشانه های عمده در این بیماران عبارتست از: ضعف عضلات در دستها و پاها و گاهی تنه و عضلات خارجی چشم ،مشکل در برخاستن، ایستادن، راه رفتن و بالا رفتن از پله ها ،خستگی زودرس ،ضعف و نارسایی عضلات قلب و تنفس در مراحل پیشرفته. تقریباً می توان گفت که اکثر بیماریهای عصبی- عضلانی ارثی- ژنتیکی هستند . جهش‌های ژنی و اختلال در پروتئین‌هایی که بخصوص درعضلات  وجود دارند، ‌مسئول بروز علائم می‌باشند. الگو های توارثی در انواع مختلف این بیماریها با یکدیگر متفاوتند، ممکن است غالب جسمی، مغلوب جسمی، وراثت وابسته به جنس یا میتوکندریایی باشد. بنابراین بررسی دقیق افراد مبتلا در یک خانواده برای شناخت الگوی وراثتی بیماری و تشخیص بیماران می تواند بسیار مفید باشد.

بیماریهای بافت عضلانی را به هر علت که باشند، میوپاتی می نامند. میوپاتی ها انواع گوناگونی دارند که یک گروه از آنها را دیستروفی تشکیل می دهد. دیستروفیهای عضلانی شایعترین بیماریهای عضلات می باشند که از زمانهای قدیم، بشر به آنها مبتلا بوده است. 

به دلیل پیچیدگی علائم و تشابه نشانه‌ها در انواع متفاوت این بیماریها، تشخیص قطعی چندان آسان نیست. بررسی‌های آزمایشگاهی شامل سنجش آنزیم‌های عضلانی، اندازه گیری سرعت هدایت امواج عصبی در اعصاب محیطی، ثبت امواج پتانسیل حرکتی در عضلات، اندازه گیری حجم توده عضلانی طبیعی و غیر طبیعی با سونوگرافی یا سی تی اسکن، و در نهایت برای تشخیص قطعی،‌ بیوپسی از عضلات مبتلا می‌باشد. امروزه با رنگ‌آمیزی اختصاصی با روش ایمونوهیستوشیمی و به کارگرفتن آنتی بادی های مونوکلونال برای ترکیبات پروتئینی متنوع موجود در بافت عضله، می توان دقیقاً‌ زمینه پاتوژنتیک و علت بیماریهای عضلانی را شناسایی کرد، سپس برای تعیین جهش‌های مربوطه در فرد بیمار و خانواده او گام برداشت. چنانچه جهش مسئول بیماری در یک خانواده شناسایی شود، امکان تشخیص قبل از تولد و پیشگیری از تولد مورد دیگری از بیماری فراهم خواهد شد.

بیماریهای عصبی عضلانی به چهار دسته طبقه بندی می شوند:

1- میوپاتی‌ها که شامل دیسترونی‌های عضلامی می‌شوند: 1- بیماریهای دیستروفی عضلانی 2- نوروپاتی ها 3- بیماریهای محل اتصال عصب و عضله، 4- بیماریهای نورون حرکتی. از انواع دیستروفی‌های عضلانی می‌توان به دیستروفی عضلانی دوشن و بکر اشاره نمود. از انواع  اختلالات  محل اتصال عصب عضله می‌توان به سندرم میاستنی مادرزادی اشاره نمود و از اختلالات نورون حرکتی می‌توان به آتروفی عضلانی– نخاعی و از انواع نوروپاتی میتوان به CMT شارکوت ماری توث اشاره نمود.

ازانواع میوپاتی‌ها (دیستروفیهای عضلانی)، به دیستـروفی میوتونیک میتوان اشاره نمود، نمای بالینی بیماری بسته به سن شروع بیماری دارد. نوع مادرزادی و ابتدای دوره کودکی (سن کمتر از 10 سال) و نوع نوجوانی و بزرگسالی (کلاسیک)، سن 50-10 سال و  دیستروفی میوتونیک خفیف، سن بالای 50 سال (1و2).

علایم بالینی دیستروفی میوتونیک مادرزادی عبارت است از: مرده زایی یا ضعف عضلانی منتشر (شامل صورت)، هیپوتونی و نارسایی بلع، تنفس و مکیدن، فقدان رفلکس‌های تاندونی و پا چنبری (Club foot). علایم دیستروفی میوتونیک در مادر افزایش بیش از 45 تکرار سه تایی CTG در ژن دیستروفی میوتونیک روی کروموزوم 19، علائم بالینی دردیستروفی میوتونیک ابتدای کودکی و دیستروفی میوتونیک نوجوانی- بزرگسالی و دیستروفی میوتونیک خفیف متفاوت است.

دیستروفی عضلانی دوشن نمونه دیگری از انواع میوپاتی است. علایم بالینی در دیستروفی عضلانی دوشن معمولاً قبل از 5 سالگی ظاهر می‌شوند. علایم بالینی شامل ضعف دوطرفه پیشرونده عضلات است. عضلات پروگزیمال بیش از دیستال درگیر می‌شوند و در ابتدا فقط عضلات اندام تحتانی است. هیپرتروفی ساق پا اغلب وجود دارد. فاسیکولاسیون و اختلال حسی در این بیماران وجود ندارد. قبل از سن 13 سالگی نیاز به وسایل کمکی در راه رفتن دارند. حداقل 10 برابر افزایش در مقادیر SCK (کراتی تین کیناز سرم) وجود دارد (سطح آن مرتبط با سن و میزان حرکت بیمار می‌باشد) (3، 2، 1).

دیستروفی عضلانی بکر نمونه دیگری از میوپاتی‌ها است، علایم بالینی شامل آتروفی و ضعف عضلانی پیشرونده قرینه، درگیری انتهای فوقانی اندام بیشتر از انتهای تحتانی و در ابتدا فقط اندام تحتانی است. ضعف عضلات چهار سر ران تا مدتها تنها علامت است. هیپرتروفی ساق پا اغلب وجود دارد. برخی بیماران کرامپ عضلانی که با حرکت شروع می‌شود، دارند. خشکی فلکسـورهای آرنـج در سیـر بعـدی بیماری رخ می دهد. دیستروفی نوع بکر با درد عضلانی و کرامپ، عدم تحمل فعالیت و میوگلوبینوری، افزایش کراتین کیناز (CK) بدون علامت، کاردیومیوپاتی و اختلالات شناختی نیز ممکن است تظاهر کند. و در صورت فاسیکولاسیون و اختلال حسی، تشخیص بکر رد می‌شود. تا قبل از 16 سالگی نیاز به صندلی چرخدار ندارند. فعالیت کراتین کیناز سرمی (SCK)  بیش از 5 برابر نرمال است(5، 4).

دیستروفی عضلانی کمربند لگنی شانه‌ای(LGMD)  از انواع هتروژن دیستروفی‌های عضلانی

تحقیق درمورد شبکه های عصبی 96 ص

اختصاصی از فایل هلپ تحقیق درمورد شبکه های عصبی 96 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 95

دانشگاه آزاد اسلامی واحد مشهد

درس هوش مصنوعی

عنوان تحقیق : شبکه های عصبی

استاد محترم :

مهندس مهدیه شادی

تهیه کننده: سامان صحت بخش

مهدی مینائی

زمستان 86فهرست مطالب

عنوان صفحه

مقدمه 1

شبکه عصبی چیست ؟ 2

یادگیری در سیستم های بیولوژیک 4

سازمان مغز 6

نرون پایه 7

عملیات شبکه های عصبی 7

آموزش شبکه های عصبی 10

معرفی چند نوع شبکه عصبی 14

پرسپترون تک لایه 14

پرسپترون چند لایه 21

backpropagation 25

هاپفیلد 49

ماشین بولتزمن 67

کوهونن 83

کاربردهای شبکه های عصبی 86

منابع 90

مقدمه

الگوریتم ها در کامپیوتر ها اعمال مشخص و واضحی هستند که بصورت پی در پی و در جهت رسیدن به هدف خاصی انجام می شوند.حتی در تعریف الگوریتم این گونه آمده است که الگوریتم عبارت است از مجموعه ای ازاعمال واضح که دنبال ای از عملیات را برای رسیدن به هدف خاصی دنبال می کنند.آنچه در این تعریف خود نمایی می کند کلمه دنباله می باشد که به معنای انجام کار ها بصورت گام به گام می باشد. این امر مشخص می کند که همه چیز در الگوریتم های سنتی باید قدم به قدم برای کامپیوتر مشخص و قابل فهم و درک باشد.حتی در اولین الگوریتمهای هوش مصنوعی نیز بر همین پایه و کار قدم به قدم بنا نهاده شده اند.

در اواخرقرن بیستم رویکرد به الگوریتم های جدید صورت گرفت که علتهای مختلفی داشت مثل حجیم بودن میزان محاسبات برخی مسایل و بالا بودن مرتبه زمانی الگوریتم های سنتی در مورد این مسایل باعث شد نیاز به الگوریتمهای جدید احساس شود.همچنین برخی کارهای انسان که هنوز قابل انجام توسط کامپیوتر نبودندو یا به بخوبی توسط کامپیوتر انجام نمی شدند باعث این رویکرد شد.

مهمترین الگوریتمهای جدید عبارتند از :1- شبکه های عصبی 2- منطق فازی 3- محاسبات تکاملی

شبکه عصبی چیست ؟

این سوال که آیا انسان توانا تر است یا کامپیوتر موضوعی است که ذهن بشر را به خود مشغول کرده است.

اگر جواب این سوال انسان است چرا کامپیوتر اعمالی مانند جمع و ضرب و محاسبات پیچیده را در کسری از ثانیه انجام می دهد، حال آنکه انسان برای انجام آن به زمان زیادی نیازمند است. واگر جواب آن کامپیوتر است چرا کامپیوتر از اعمالی مانند دیدن و شنیدن که انسان به راحتی آنها را انجام می دهدعاجزاست.جواب این مسئله را باید در ذات اعمال جستجو کرد . اعمال محاسباتی اعمالی هستند سریالی و پی در پی به همین دلیل توسط کامپیوتر به خوبی انجام می شوند.حال آنکه اعمالی مانند دیدن وشنیدن کارهای هستند موازی که مجمو عه ای از داده های متفاوت و متضاد در آنها تفکیک و پردازش می شوندو به همین دلیل توسط انسان به خوبی انجام می شوند. در واقع مغز انسان اعمال موازی را به خوبی درک و آنها را انجام می دهدو کامپیوتر اعمال سریالی را بهتر انجام می د هد.حال باید دیدآیا می توان این اعمال موازی و در واقع ساختار مغز انسان را به نوعی در کامپیوتر شبیه سازی کرد و آیا می توان امکان یادگیری که از جمله توانایی های انسان است به نوعی در کامپیوتر مدل سازی نمود.این کار به نوعی در انسان هم انجام می شود و زمان انجام آن عمدتا در کودکی است.به عنوان مثال یک کودک ممکن است یک شی مانند چکش را نشناسد اما هنگامی که آن را می بیند واسم آن را یاد می گیرد و سپس چند چکش متفاوت را می بینداین شی را بخوبی می شناسدو اگر بعد از مدتی چکشی را که تا کنون آن را ندیده است ببیند به راحتی تشخیص می دهد که شی مورد نظر یک چکش است و تنها از نظر جزئیات با چکش های مشابه که قبلا دیده است تفاوت دارد.

لازم به ذکر است که شبکه های عصبی تنها در یادگیری کاربرد ندارند، بلکه تمام مسائل جدید وکلاسیک توسط آنها قابل حل می باشد.اما آنچه شبکه های عصبی بدان نیازمند است مثالها و نمونه های مفید وکافی است که بتواند به خوبی فضای مسئله را پوشش دهند.حال باید دیدچگونه می توان شبکه عصبی انسان را به نوعی شبیه سازی نمود، برای این کار نخست به ساختار مغز و سیستم عصبی انسان نگاهی گذرا می اندازیم.

مغز انسان یکی از پیچیده ترین اعضای بدن است که تا کنون نیز به درستی شناخته نشده است و شاید اگر روزی به درستی شناخته شودبتوان شبیه سازی بهتری از آن انجام داد و به نتایج بهتری درباره هوش مصنوعی رسید.تحقیقات در مورد شبکه های عصبی نیز از زمانی آغاز شد که رامون سگال درباره ساختار مغز و اجزای تشکیل دهنده آن اطلاعات و نظراتی ارائه کرد. او در اوایل قرن بیستم مغز را به عنوان اجتماعی از اجزای کوچک محاسباتی دانست و آنها را نرون نامید.امروزه ما می دانیم که بیشتر فعالیتهای انسان را نرونها انجام می دهندو در کوچکترین فعالیتهای حیاتی انسان مانند پلک زدن نیز نقش حیاتی و اساسی دارند.این نکته هم بسیار جالب است بدانید که در بدن ما حدودنرون وجود دارد که هر کدام از این نرونها با نرون دیگر در ارتباط هستند.نرونها شکلها

دانلود پاورپوینت زیست شناسی دستگاه عصبی

اختصاصی از فایل هلپ دانلود پاورپوینت زیست شناسی دستگاه عصبی دانلود با لینک مستقیم و پر سرعت .

فهرست:

توضیح کوتاه دستگاه عصبی

دستگاه عصبی مرکزی

دستگاه عصبی محیطی

وظیفه دستگاه عصبی

محافظت از دستگاه عصبی

اعصاب مغزی

اعصاب نخاعی

اعصاب مغزی ۱۲ جفت می‌باشند. اگرچه دو جفت اول را نمی‌توان واقعاً جزئی از دستگاه اعصاب محیطی به‌شمار آورد. تا هفته چهارم تکامل جنینی هسته‌های همه ۱۲ عصب مغزی تشکیل شده‌اند. همه اعصاب مغزی بجز عصب بویایی و عصب بینایی از ساقه مغز منشا می‌گیرند. لیست اعصاب مغزی به شرح زیر می‌باشد:

زوج ۱: عصب بویایی (olfactory nerve)

زوج ۲ : عصب بینایی (optical nerve)

زوج ۳ : عصب حرکتی چشم (اوکولوموتور) (oculomotor nerve)

زوج ۴ : عصب قرقره‌ای (تروکلئار) (trochlear nerve)

زوج ۵ : عصب سه‌قلو (تریجمینال) (trigeminal nerve)

زوج ۶ : عصب اشتیاقی (ابدوسنس) (abducens nerve)

زوج ۷ : عصب چهره‌ای یا عصب فاشیال (facial nerve)

زوج ۸ : عصب تعادلی_ شنوایی (وستیبولوکوکلئار) (vestibulocochlear nerve)

زوج ۹ : عصب زبانی-حلقی (گلوسوفارینژیال) (glossopharyngeal nerve)

زوج ۱۰ : عصب واگ (عصب جمجمه‌ای دهم) (vagus nerve)

زوج ۱۱ :عصب فرعی (اکسسوری) (accessory nerve)

زوج ۱۲ : عصب زیرزبانی (هیپوگلوسال) (hypoglossal nerve)

شامل 9 اسلاید powerpoint

تحقیق درباره کاربرد شبکه‌های عصبی مصنوعی

اختصاصی از فایل هلپ تحقیق درباره کاربرد شبکه‌های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

موضوع تحقیق :

کاربرد شبکه‌های عصبی مصنوعی

در مهندسی رودخانه

رسوبات انتقالی توسط رودخانه‌ها مشکلات زیادی خصوصاً جهت بهره‌برداری از سدها و سازه‌های آبی به وجود می‌آورند. در ده‌های اخیر تحقیقات بزرگی برای درک مکانیسم انتقال رسوب در جریان‌های طبیعی صورت گرفته است.

تخلیه‌های صنعتی و پساب‌های کشاورزی به داخل سیستم آبزیان باعث می‌شود که رسوبات کف توسط موادسمی آلوده شوند. به همین ترتیب وقتی رژیم رودخانه تغییر می‌نماید این رسوبات آلوده به پایین دست رودخانه انتقال می‌یابند. تخمین دبی این رسوبات آلوده گام اول به سوی بهبود سازی کیفیت آب می‌باشد.

طبق گزارشات، درحال حاضر، بسیاری از سدهای کشورمان، با مشکل رسوب و پرشدن پیش از موعد مخازن مواجه هستند از جمله گزارشی که در مورد رسوبگذاری در سد سفید رود منتشر شده که نشان می‌دهد که در هفدهمین سال بهره برداری، رسوبات ورودی نزدیک به نیمی از حجم مخزن را اشغال کرده‌اند. در حالی که مشاور این شد، عمر مفید آن را صد سال دانسته است.

همچنین سد شهید عباسپور که تخمین اولیه برای رسوب آن 2 میلیون مترمکعب در سال بوده، در حالی که نتایج هیدروگرافی در سال 1362 در مخزن این سد نشان می‌دهد که درطی 7 سال اول بهره برداری از این سد سالیانه بطور متوسط 38 میلیون متر مکعب وارد مخزن شده است. بدیهی است که افزایش پیش‌بینی میزان رسوب وارده به دریاچه می‌تواند از این خسارات جلوگیری به عمل آورد و تحقیق این امر بستگی زیادی به روشهای محاسباتی و وجود سنجشهای مناسب رودخانه‌ای دارد.

تا کنون معادلات زیادی برای تخمین میزان رسوب انتقالی رسوب انتقالی توسط رودخانه‌ها ارائه شده است که همه آنها بر پایه قوانین تئوری دینامیک جریان و انتقال ذرات می‌باشد. آلونسوو نیبلینگ و فوستر در سال 1982 و یانگ در 1996 از بین دیگران، روشهای متعدد قراردادی را مقایسه نمود برای محاسبه دبی کل رسوب. بعضی از روشها که روش غیرمستقیم نامیده شدند، شامل توابع انتقالی بر اساس تابع بار بستر اینشتین هستند که بار رسوب کل از مجموع توابع بار معلق و بار بستر بدست می‌آید. مانند روش اصلاح شده اینشتین توسط کلبی و همبری (1955) و توفالتی (1969). روشهای مذکور این نکته را مدنظر قرار می‌دهند که هیدرودینامیک هر حالت انتقال یکسان نیست اگر چه تمایز آشکار بین در حالت معلق و بستر نیز به آسانی ممکن نیست، کاربرد روشهای گفته شده از نظر تئوری نسبتاً کامل است اما ممکن است به نظر دشوار برسد.

روشهای دیگر که روشهای مستقیم نامیده می‌شوند، بار رسوب کل را به طور مستقیم مشخص می‌کنند، بدون اختلاف قائل شدن بین دو حالت انتقال. بعضی از این روشها از مفهوم نیروی جریان ناشی می‌شوند. (کار جریان) مانند روش بگنولد (1966) و روش انگلند و هانسن (1967) که بستگی به مفهوم نیرو و قوانین شبیه‌سازی برای بدست آوردن تابع انتقال رسوب دارد. روش آکرو وایت (1973) بر اساس مفهوم نیروی جریان، بگونولد و آنالیز ابعادی برای بیان تحرک و سرعت انتقال رسوب پایه‌ریزی شده‌اند. یانگ در سالهای 1972 و 73 یک مدل تحلیل نیرویی بکار برد و به نیروی جریان موجود در واحد وزن سیال برای انتقال رسوب تأکید کرد. ولیکانوف (1954) تابع انتقال را از تئوری نیروی ثقل استخراج کرد. روشهای دیگر از توابع انتقال دیگری پیروی می‌کنند، مثلاً چنگ و سیمونزو ریچاردسون (1967) بار کل را از مجموع بار بستر و معلق محاسبه نمودند. لارسن (1958) یک رابطه وابسته‌ای بین شرایط جریان و دبی رسوبی نتیجه توسعه داد. شن و هانگ (1972) یک معادله رگرسیون براساس داده‌های آزمایشگاهی استخراج کردند.

برانلی (1981) نیز آنالیز رگرسیون را برای بدست آوردن تابع بکار گرفت. ون راین (1984) بار کل را از مجموع بار بستر و متعلق محاسبه نمود. کریم و کندی (1990) آنالیز چند رگرسیونی غیرخطی را برای استخراج یک رابطه بین سرعت جریان، دبی رسوب و هندسه شکل بستر و ضریب اصطکاک رودخانه‌های فرسایشی بکار گرفت.

این مدل‌های دینامیکی در تعریف پارامترهای مهم مسئله موفق بودند. با این وجود برای بدست آوردن یک فرمول منفصل (شکل ثابت معادله)، بعضی پارمترهای مهم برای سهولت صرفنظر می‌شوند. ثابت‌های غیرمعلوم برای پایداری جمع می‌شدند و بعضی شرایط مرزی برای بکارگیری فرض می‌شوندو نتیجتاً این سؤال مطرح می‌شود که آیا فرمول برای انحراف رودخانه‌ها به طور موفق بکار رود؟

اخیراً روش شبکة عصبی در شاخه‌های متعدد علمی بکار می‌رود. روش گفته شده یک ابزار قوی برای بهبود سازی در هیدرولیک و محیط زیست با جزئیات کافی برای اهداف طراحی و مدیریت پروژه‌ها می‌باشد. این تکنیک یک رشد ساختاری در کاربرد مهندسی رودخانه و منابع آب داشته است مانند مطالعه کرونانیتی و همکاران (199)، فلود و کارتام (1994) و گرابرت (1995) و مینس (1998) و سانچز و همکاران (1998) و یانگ و همکاران (1999).

به سبب کاربردهای موفق در مدل کردن رفتار سیستم غیرخطی در یک محدوده وسیع از نواحی، شبکه‌های عصبی مصنوعی در هیدرولوژی و هیدرولیک بکار رفته‌اند. شبکه‌های عصبی مصنوعی در مدل بارش ـ رواناب، تخمین جریان، شبیه‌سازی آلودگی جریان، شناسایی پارامتر و مدل کردن غیرخطی ورودی و خروجی سریهای زمانی بکار رفته‌اند. یک شبکه عصبی سه لایه پیشخور توسط فرنچ و همکاران (1992) برای پیش‌بینی شدت بارش در مکان و زمان بکار رفت. این فرد نتایج را با دو روش دیگر پیش‌بینی ترم ـ کوتاه مقایسه نمود. چنگ و تسانگ (1992) چندین روش رگرسیون و شبکة عصبی مصنوعی برای مدل کردن اکی والان برف ـ آب مقایسه کردند و گزارش دادند که یک شبکه عصبی مصنوعی نتایج بهتری ارائه می‌دهد.

HSU و همکاران (1995) گزارش کردند که شبکه پیشخور چندین لایه بهترین ابزار برای تقریب توابع ورودی ـ خروجی است. آنها یک الگوریتم پیچیده جذر ـ کمینه خطی را برای آموزش یک

مقاله درباره مدلهای محاسباتی عصبی از تأثیرات جانبی ناحیة آسیب دیده مغز روی نواحی دورتر از منطقه آسیب دیده

اختصاصی از فایل هلپ مقاله درباره مدلهای محاسباتی عصبی از تأثیرات جانبی ناحیة آسیب دیده مغز روی نواحی دورتر از منطقه آسیب دیده دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود در "پایین مطلب"

 فرمت فایل: word (قابل ویرایش و آماده پرینت)

 تعداد صفحات:36

اختلال ناگهانی در منطقه ای از مغز، مثلاً در اثر سکته های مغزی، باعث نقصهای عصبی مستقیماً مطابق با منطقة آسیب دیده می شود و آسیب درست از این منطقه شروع میشود. به علاوه دیگر نقصهای بالینی که به عنوان نقصها یا تأثیرات دوم یا Secondarg remote نامیده می شوند. وی قسمتهای بی عیب باقیمانده از مغز تأثیر خود را می گذراند. (برای مثال به علت قطع شدن ارتباط آنها با ناحیه آسیب دیده) این پدیده به عنوان diashisis نامیده شده است. diashisis (نقص  الکتریکی و functional که بعلت آسیب در قشر مغز آغاز می شود و در منطقه ای دورتر از منطقه آسیب دیده نیز این آسیب را می توان فهمید منطقه ای که خود آسیب می بیند وی از لحاظ عصبی (ارتباط عصبی ) به آن اتصال دارد.

این پدیده باعث شده ، خصوصاً در مورد ارتباط بین نیمکره چپ و راست مغز، مسأله ویژه ای که در ارتباط با هر یک از نیمکره ها وجود دارد باعث مشکل در فهم و درک پدیده شود. این مقاله بعضی از مدلهای Neurocouputetional  اخیر را مورد مطالعه قرار داده (اثر و کیفیت diashisis) مدل ارائه شده تنها یک مدلی است که همه خصوصیت دیگر بین نیمکره ها و همه اثر diashisis را شرح می دهد. در انتها، نتایج تأثیرات زیرقشری نیمکره چپ و راست روی خصوصیت نیمکره ها مورد بررسی قرار می گیرد.

1- مقدمه: Stoke : یا (سکته مغزی) ، اختلال ناگهانی است که در جریان supply کردن خون برای مغز بوجود می آید. زمانیکه یک سد ناگهانی در برابر جریان خون در سرخرگهای مغزی ایجاد می شود متعاقب آن باعث کمبود خون رسانی به آن ناحیه شده و ایسکمیک مغزی را به دنبال دارد. سکته مغزی یکی از بیماریهای شایع در نورولوژی است. برای مثال سومین عامل مرگ در کشور آمریکاست و اغلب موارد باعث نقص در بستر کرونیک (نقص در سیستم عصبی ، عضلانی قلبی ) اختلاف در زبان و صحبت کردن و مشکلات حافظه ای را به دنبال دارد. این باعث شده که توجه بسیار زیادی روی تحقیقات در مورد این مطلب در طی چند دهة اخیر صورت گیرد. اکثر این تحقیقات به دنبال اصلاح کردن یافته ها و دانسته ها درباره مکانیسم و پاتوفیزیولوژی این بمیاری (strake) هستند. یافته ها این تحقیقات در اکثر موارد بسیار پیچیده و حتی بسیار مورد بحث و جدل بوده اند.

در حال حاضر یک تردید ذاتی دربارة اینکه چه فاکتورها و عواملی باعث می شوند که ناحیه آسیب دیدة اولیه به بافتهای مجاور مغز گسترش یابد، وجود دارد.

پیچیده بودن مغز در حین سکته مغزی باعث شده به این نتیجه برسیم که مدلهای Computational می توانند ابزار بسیار قدرتمندی برای درک عمیق ما دربارة Stroke باشد. محدودیت دربارة تکنولوژی مدلهای عصبی و علم نورد سیانتیفیک Neurosaentific باعث شده بوجود آوردن و ساختن جزئیات مدل غیرممکن و غیر عملی باشد.