1403/02/20
صادق سلیمانی

صادق سلیمانی

مرتبه علمی: استادیار
ارکید:
تحصیلات: دکترای تخصصی
اسکاپوس: 123612
دانشکده: دانشکده مهندسی
نشانی: ساختمان شماره 1 دانشکده مهندسی - اتاق 102
تلفن: 08733627722 (داخلی 3336)

مشخصات پژوهش

عنوان
پیشگویی پیوند ترکیبی وزن دار و کاربردهای آن
نوع پژوهش
پایان نامه
کلیدواژه‌ها
پیشگویی پیوند ترکیبی وزن دار، بیماری آلزایمر، توالی تغییرات نواحی مغزی
سال 1400
پژوهشگران آکام زندی(دانشجو)، صادق سلیمانی(استاد راهنما)، پرهام مرادی دولت آبادی(استاد مشاور)

چکیده

پیشگویی پیوند یک تکنیک مهم در تحلیل شبکه است. با استفاده از آن می توان وضعیت آینده یال های شبکه را تخمین زد. البته ویرایش های جدیدتر آن می توانند یال های اضافی یا کاذب محتمل را نیز بیابند. اما برخی شبکه ها مانند شبکه بیماری ها، تغییرات همزمان حذف و اضافه را برای تبدیل شدن به مرحله بعدی دارند و نیازمند به پیشگویی پیوند ترکیبی هستند. در رابطه با پیشگویی پیوند صریح ترکیبی، که همزمان یال های اضافه و حذف شونده به شبکه را پیش بینی می کنند، تنها یک پژوهش، آن هم فقط برای گراف ساده انجام شده است. در این پژوهش، برای اولین بار دو الگوریتم پیشگویی پیوند ترکیبی صریح برای شبکه های وزن دار، عرضه شده است. بدین منظور، بخش مربوط به حذف یال ها نیازمند به ایده جدید بود. دو ایده جدید حذف معکوس یال وزن دار و حذف متمم یال وزن دار، برای این کار ارائه شد. علاوه بر آن ایده پیشگویی پیوند افزایشی نیز به همراه پیشگویی پیوند معمول، مورد آزمایش قرار گرفت. همچنین برای ارزیابی کارایی، مقایسه با پیشگویی پیوند بدون وزن از طریق معیار تطابق، بر روی داده های بیماری آلزایمر صورت گرفت. مجموعه داده که از انستیتوی تصویربرداری بیماری آلزایمر (ADNI) تهیه شد، شبکه مغز در چهار مرحله بیماری آلزایمر مشتمل بر سالم، زوال عقلی ملایم آغازین، زوال عقلی ملایم پیشرفته و بیماری آلزایمر (Normal, eMCI, lMCI, AD) است که هر مرحله نسبت به مرحله قبل، شاهد اضافه و کم شدن ارتباطات بین نواحی است. آزمون روش ارائه شده با چهار تابع امتیازدهی همسایگان مشترک (CN)، ضریب جاکارد(JC)، آدامیک/آدار (AA) و الحاق ترجیحی (PA)، انجام شد. برای انتقال از حالت Normal به eMCI، روش JC افزایشی، از حالت eMCI به lMCI روش CN افزایشی، از حالت lMCI به AD روش JC افزایشی و از حالت Normal به AD روش JC افزایشی بهترین عملکرد را داشتند. نتایج به صورت میانگین، نسبت به حالت بدون وزن، هفت درصد بهبود داشت که بیشترین افزایش آن از حالت Normal به eMCI بود. همچنین توالی تغییرات نواحی مغز، ترتیب حذف و اضافه ها، برای استفاده محققین مربوطه استخراج شد. بررسی این تغییرات ممکن است باعث درک بهتر بیماری آلزایمر شود و در کمک به درمان و یا پیشگیری آن مؤثر باشد. برای بهبود روش پیشنهادی می توان از سایر تابع های امتیازدهی مبتنی بر مسیر یا روش های مبتنی بر شباهت خواص گره ها، تعبیه گری و غیره استفاده کرد. همچنین می توان الگوریتم پیشنهادی را بر انواع شبکه های دارای چند مرحله تغییر حذف و اضافه ارتباطات، مانند شبکه های بیماری های دیگر اعمال کرد.