تعداد نشریات | 41 |
تعداد شمارهها | 1,027 |
تعداد مقالات | 12,542 |
تعداد مشاهده مقاله | 13,728,428 |
تعداد دریافت فایل اصل مقاله | 11,679,995 |
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 ![]() ![]() ![]() ![]() | ||
1گروه برق و کامپیوتر، دانشگاه تربت حیدریه، تربت حیدریه، خراسان رضوی، ایران | ||
2دانشگاه تربت حیدریه | ||
3دانشکده کامپیوتر- دانشگاه 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: 22 |