چکیده مقاله
بیماری پارکینسون یکی از اختلالات شایع سیستم عصبی است که تشخیص سریع و دقیق آن نقش مهمی در بهبود کیفیت زندگی بیماران دارد در این تحقیق روشی کارآمد برای بهبود تشخیص بیماری پارکینسون ارائه شده است که مبتنی بر ترکیب شبکه عصبی حافظه طولانی کوتاه مدت و الگوریتم فراابتکاری جستجوی فاخته جهت تنظیم بهینه پارامترهای مدل می باشد پارامترهایی نظیر تعداد واحدهای شبکه، تعداد لایه ها، تعداد واحدهای لایه های دنس، نرخ دراپ اوت، نرخ یادگیری، اندازه دسته، تعداد دوره های آموزش و تعداد گام های زمانی از جمله پارامترهای کلیدی هستند که نقش موثری در دقت و کارایی مدل ایفا می کنند تنظیم دستی این پارامترها اغلب غیر بهینه و زمان بر است؛ از این رو، در این پژوهش از الگوریتم جستجوی فاخته برای تنظیم خودکار این پارامترها بهره گرفته شده است به منظور ارزیابی عملکرد روش پیشنهادی از دو مجموعه داده Telemonitoring استفاده شده است عملکرد مدل پیشنهادی با الگوریتم های شبکه عصبی کانولوشن، شبکه عصبی بازگشتی PSO LSTM و ماشین بردار پشتیبان مقایسه شده و با استفاده از معیارهای دقت، صحت، بازخوانی، F score و مساحت زیر منحنی ارزیابی شده است نتایج به دست آمده نشان می دهد که روش پیشنهادی عملکرد برتری در تشخیص بیماری پارکینسون نسبت به روش های مقایسه ای دارد
کلیدواژهها
نویسندگان
سجاد جابری
دانشجوی ارشد کامپیوتر گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، موسسه آموزش عالی لیان، بوشهر، ایران
مازیار گنجور
دکتری مهندسی کامپیوتر گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، موسسه آموزش عالی لیان، بوشهر، ایران
نوشین ربیعی
دکتری برق مخابرات گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، موسسه آموزش عالی لیان، بوشهر، ایران
شیوه ارجاع
�ابری، سجاد و گنجور، مازیار و ربیعی، نوشین،1404،ارائه روشی کارآمد براساس ترکیب شبکه عصبی حافظه طولانی کوتاه مدت و الگوریتم بهینه سازی فاخته به منظور تنظیم پارامترهای مهم، باهدف بهبود تشخیص بیماری پارکینسون،هشتمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات،مشهد
ارائهشده در
مجموعه مقالات هشتمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات5 آذر 1404 · مشهد