دانشگاه تبریز
فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
پایگاه استنادی علوم جهان اسلام (ISC)

 آمار

تعداد نشریات45
تعداد شماره‌ها1,453
تعداد مقالات17,787
تعداد مشاهده مقاله58,025,287
تعداد دریافت فایل اصل مقاله19,584,041
ذباح, ایمان, ماروسی, علی, ابراهیم پور, رضا. (1401). تشخیص هوشمند بیماری کوید19 با استفاده از ترکیب ویژگی های عمیق و تحلیل مولفه اصلی. سامانه مدیریت نشریات علمی, (), -. doi: 10.22034/jasp.2022.49156.1176
ایمان ذباح; علی ماروسی; رضا ابراهیم پور. "تشخیص هوشمند بیماری کوید19 با استفاده از ترکیب ویژگی های عمیق و تحلیل مولفه اصلی". سامانه مدیریت نشریات علمی, , , 1401, -. doi: 10.22034/jasp.2022.49156.1176
ذباح, ایمان, ماروسی, علی, ابراهیم پور, رضا. (1401). 'تشخیص هوشمند بیماری کوید19 با استفاده از ترکیب ویژگی های عمیق و تحلیل مولفه اصلی', سامانه مدیریت نشریات علمی, (), pp. -. doi: 10.22034/jasp.2022.49156.1176
ذباح, ایمان, ماروسی, علی, ابراهیم پور, رضا. تشخیص هوشمند بیماری کوید19 با استفاده از ترکیب ویژگی های عمیق و تحلیل مولفه اصلی. سامانه مدیریت نشریات علمی, 1401; (): -. doi: 10.22034/jasp.2022.49156.1176

تشخیص هوشمند بیماری کوید19 با استفاده از ترکیب ویژگی های عمیق و تحلیل مولفه اصلی

پردازش سیگنال پیشرفته
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 02 اردیبهشت 1401
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22034/jasp.2022.49156.1176
نویسندگان
ایمان ذباح* 1؛ علی ماروسی2؛ رضا ابراهیم پور3
1گروه کامپیوتر- دانشگاه آزاد اسلامی تربت حیدریه - تربت حیدریه – ایران
2گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه تربت حیدریه، تربت حیدریه ، ایران
3دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران
چکیده
بیماری کوید19 به سرعت در حال گسترش است و در مدت کوتاهی منجر به مرگ میلیون ها انسان شده است. تشخیص زود هنگام این بیماری می تواند در تسریع فرایند درمان وجلوگیری از مرگ بیماران نقش بسزایی داشته باشد. استفاده از یادگیرهای عمیق یکی از متدهای هوشمند تشخیص بیماری کوید 19 است. هدف از این پژوهش ارائه مدلی مبتنی بر ترکیب ویژگی های عمیق و انتخاب بهترین ویژگی ها به منظور تشخیص خودکار این بیماری می باشد. باوجود آنکه شبکه های عمیق می توانند ویژگی های تصویر را استخراج کنند، اما استفاده از چندین یادگیر به طور موازی منجر به کشف ویژگی های خاص توسط هر یادگیر خواهد شد. در این پژوهش از 3 شبکه عمیق ، به منظور استخراج ویژگی های تصاویر بیماری کوید 19 استفاده شده و سپس کاهش ابعاد ویژگیهای مستخرج، صورت گرفته است. کلاس بندی توسط شبکه عصبی پرسپترون انجام شده است. پایگاه داده مورد مطالعه، تصاویرX-ray برگرفته از مرجع داده Github و شامل 1125 نمونه در 3 کلاس نرمال، مبتلا به کوید 19 و ذات الریه می باشد. به منظور اطمینان از دقت حاصله، در فرایند آموزش، از روش K-fold بهره گرفته شده است. پس از مدل‌سازی و ثبت نتایج، دقت تشخیص بیماری کوید19 در زمان استخراج ویژگی ها و استفاده مستقل از یادگیرها در بهترین حالت 1/96% و پس از ترکیب ویژگی های عمیق 7/97% حاصل گردید. استفاده از تکنیک های هوشمند مبتنی بر یادگیری ماشین می تواند منجر به تشخیص به موقع بیماری کوید19 شده و به تسریع فرایند درمان کمک کند.
کلیدواژه‌ها
کوید19؛ شبکه های عمیق؛ داده کاوی؛ یادگیری ماشین؛ ترکیب خبره ها
آمار
تعداد مشاهده مقاله: 787


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب