پیش بینی ابتلا به PMS بر مبنای عوامل فیزیكی و روانی موثر بر بیماری با استفاده از الگوریتم شبكه های عصبی مصنوعی

سال انتشار: 1399
محل انتشار: دومین کنفرانس بین المللی مطالعات میان رشته ای روانشناسی، مشاوره و آموزش علوم تربیتی
کد COI اختصاصی: ICPEB02_023
زبان مقاله: فارسی
تعداد مشاهده: 564

نویسندگان

کارشناسی ارشد روانشناسی بالینی

چکیده

سندروم پيش از قاعدگي (PMS) يكي از شايع ترين اختلالات زنان مي باشد كه مي تواند منجر به غيبت از محل كار يا افت تحصيلي و يا كاهش عملكرد جدي در زنان مبتلا شود. از آن جا كه اولين قدم براي پيشگيري و درمان اين اختلال، شناخت ابتلا و شيوع آن در ميان زنان است، مقاله حاضر از شبكه هاي عصبي مصنوعي كه يكي از مهمترين الگوريتم هاي اساس ورودي هاي متعدد فيزيكي و رواني موثر بر آن با دقت قابل قبولي تخمين مي زند. در اين مطالعه، از داده هاي مربوط به 120 نفر از دانشجويان دختر مشغول به تحصيل در شهر مشهد بهره گرفته ايم. مشاركت كنندگان سه فرم رضايت از زندگي، علايم قبل از قاعدگي (PSST) و آزمون مشخصات فردي (DISC) را تكميل نموده اند و تجزيه و تحليل داده ها با نرم افزار MATLAB انجام شده است. در نهايت، اين مقاله با دقت خوبي مي تواند با دردست داشتن عوامل فيزيكي و رواني شخص متقاضي همچون تعداد اعضا خانواده، وضعيت خانواده، ميزان رضايت از زندگي و تيپ شخصيتي وي، ابتلا به سندروم پيش از قاعدگي را پيش بيني نمايد.

کلیدواژه ها

سندروم پیش از قاعدگی، شبکه های عصبی مصنوعی، اختلالات زنان، رضایت از زندگی، آزمون شخصیت

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.