عنوان پایان‌نامه
شناسایی افراد تاثیرگذار با استفاده از مدل های مبتنی بر شبکه ی همه گیری محدود مسری
- رشته تحصیلی
- مهندسی فناوری اطلاعات پزشکی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 62323;کتابخانه دانشکده علوم و فنون نوین شماره ثبت: 63
- تاریخ دفاع
- ۰۲ بهمن ۱۳۹۲
- دانشجو
- اسماعیل صابری نیا
- استاد راهنما
- محمد خوانساری, هادی زارع
- چکیده
- همهگیری بیماریهای مسری همواره هزینهی بسیار بالایی بر جوامع بشری تحمیل کرده است. به علت اینکه واکسیناسیون عمومی بسیار هزینهبر بوده است، یافتن روشهای جایگزین برای آن از اهمیت ویژهای برخوردار است. انتخاب افراد تاثیرگذار به نحوی که واکسینه کردن آنها بیشترین تاثیر را در کنترل و ایمنسازی جامعه بگذارد، مسالهی مهمی است که توجه پژوهشگران را به خود جلب کرده است. در سالهای اخیر پژوهشگران با استفاده از شبکههای پیچیده و بر اساس مدلسازی ارتباطات بین اعضای یک جامعه، رویکردهای موثرتری برای ایمنسازی ارائه نمودهاند. این روشها که متداولترین آنها بر معیارهای مرکزیت شبکه استوار هستند، با واکسینه کردن عدهی محدودی از گرهها، همهگیری را تا حدود زیادی تحت کنترل در میآورند. گروه دیگری از روشها، روشهای مبتنی بر ساختار اجتماعی شبکه هستند که از این واقعیت که هر شبکه از گروههایی تشکیل شده است که ارتباطات درونی هر گروه بسیار چگالتر از ارتباطات بین گروههاست، استفاده میکنند. در این پژوهش، روشی ترکیبی بر پایهی ساختار اجتماعی برای اولویتبندی گرهها ارائه میشود که بر اساس آن به هر گره، امتیازی بر اساس چند معیار تعلق میگیرد. برای اینکار ابتدا با استفاده از یک الگوریتم تشخیص انجمن، گروههای چگال جامعه شناسایی میشوند. سپس هر گره از نظر مرکزیت محلی از یک سو و قابلیت انتقال بیماری به گروههای دیگر از سوی دیگر مورد بررسی قرار گرفته و امتیازی کسب مینماید. به علاوه در این امتیاز اهمیت گروهی که گره متعلق به آن یا در ارتباط با آن است، نیز موثر خواهد بود. با ترکیب این معیارها در گام پایانی، امتیازی کلی برای هر گره به دست خواهد آمد. برای نمایش میزان تاثیر این امتیازبندی، اندازهی بزرگترین مولفهی متصل بعد از واکسینه نمودن افراد با امتیاز بالاتر محاسبه میشود. این معیار نشاندهندهی میزان بیشینهی آلودگی در شبکه در صورت شیوع بیماری از یک گره است. بررسی نتایج حاصل بر روی چند شبکهی مصنوعی و واقعی نشان میدهد که در شبکههای جهان کوچک و پیمانهای که بهترین مدلهای موجود برای نشان دادن ساختارهای اجتماعی هستند، این روش به خوبی عمل میکند. با این وجود برای سایر شبکهها نیز عملکرد قابل قبولی داشته و قابل استفاده میباشد. به صورت کلی کارایی این روش با میزان پیمانگی شبکه ارتباط مستقیم داشته و با افزایش پیمانگی کارایی آن افزایش مییابد.
- Abstract
- The epidemic of contiguous diseases has always imposed high expenses on societies. Selecting influential individuals in which their vaccination result in better immunization of the the society is an important issue. Recently, complex networks have been used to model contact networks among people. Most of the known methods are based on the network centrality measures which try to control epidemics by vaccinating limited number of population. On the other hand, some other methods are based on social structure in networks. Based on the social structure concept, contacts between nodes within a group are denser than inter -groups contacts. In this thesis a hybrid approach for network immunization based on both centrality and social structure is introduced. The proposed method assigns a score to each node using different criteria; Firstly, dense groups in network are identified by a community detection algorithm, then node local centrality in its own group in one hand and its ability in conveying of disease to other groups, are measured. In these scores the importance of groups which node is belonged to or has a contact with is measured. Finally, by combining these criteria the final score of node is obtained. To evaluate the performance of the proposed method, size of the largest connected component of the network after vaccination of higher score nodes is measured. The proposed method shows very good results on small-world and modular networks which is best for modeling social structures. Moreover, it shows acceptable results for other models of networks, too. As a overall result, it can be said the performance of our method increases with increasing the modularity of network.
