مدلسازی پیش بینی بخش های انجماد حرکتی در بیماری پارکینسون بر روی دادههای اینترنت اشیاء با استفاده از شبکه ی عصبی کانولوشن
- سال انتشار: 1403
- محل انتشار: هفتمین همایش ملی فناوریهای نوین در مهندسی برق، کامپیوتر و مکانیک ایران
- کد COI اختصاصی: STCONF07_239
- زبان مقاله: فارسی
- تعداد مشاهده: 164
نویسندگان
گروه مهندسی کامپیوتر، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
عضو هیئت علمی گروه مهندسی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
عضو هیئت علمی گروه مهندسی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
چکیده
امروزه با گسترش فناوری، بحث کمک به بیما ران حر کتی در حوزه بهداشت و درمان بیش از گذشته مورد توجه قرار گرفته است . پیشرفت چشم گیر در این حوزه، تشخیص کارآمد حر کتی بیما ران را امکان پذیر می سازد که با نظا رت مستمر بیما ران منجر به افزایش طول عمر و بهبود کیفیت زند گی آنها می گرد د. هدف اصلی این تحقیق ، ارائه یک روش کارآمد و دقیق برای تشخیص انجماد حرکتی و پیش بینی وضعیت بیما ران پار کینسو ن می باشد. یادگیری ما شین به عنوان یک روش نوین و پیشگامانه ، قادر به بهبود د قت و کارایی در این زمینه می باشد. بحث داد ه های زیاد، نامتعادل و همپوشانی دادههای سیگنال دو طبقه در تشخیص وضعیت انجماد حرکتی از جمله مهمترین چالش های این حوزه ی تحقیقی است که در حل مسئله ی این پژوهش مورد توجه می باشد. در این پژوهش ، به بهبود تشخیص وضعیت انجما د حرکتی در بیماران مبتلا به پارکینسون، با بهره گیری از تکنیک های یادگیری ماشین و بهره گیری از داد ه های اینتر نت اشیاء پرداخته می شو د. فرآیند پیش پردازش جهت آمادهسازی بردار ویژگی و کاهش واریانس بردار ورودی اجرا می گردد. با استفاده از الگوریتم حافظه ی طولانی کوتاه مدت، استخراج ویژگی پیش از انجماد، حذف ویژگی های پرخطا انجام می شود. روش پیشنهادی، از شبکه های عصبی کانولو شن برای پیش بینی وضعیت انجما د حر کتی روی بر دا ر بهبود یافته بهره می برد. نتایج به دست آمده از آزمایشات نشان می دهد که روش پیشنهادی قادر است انجما د حر کتی را با میانگین هارمونیک %۷۹۲/۹۶ و جامعیت %۱۵۲۵/۹۹ شناسایی نماید، که این نتایج بهبود را نسبت به پژوهش های منتخب پیشین گزارش می کند.کلیدواژه ها
دستیار بهداشت و درمان، بخش های انجماد حرکتی ، دادههای اینترنت اشیاء، شبکه ی عصبی کانولوشنمقالات مرتبط جدید
- تحلیل انطباقی کیفیت و میزان محبوبیت خدمات ابری با بررسی و مقایسه رتبه بندی Tranco و رتبه بندی عملکردی شرکت های ابری
- طبقه بندی سیگنال های EEG ثبت شده از قشر پیش پیشانی به منظور کشف اثر موسیقی در شدت احساسات با استفاده از شبکه عصبی مصنوعی و پرسشنامه
- ارائه رویکردی برای مدیریت ریسک در پروژه های نرمافزاری با استفاده از خوشه بندی تجمعی
- تحلیل احتمالنقض ترتیب علیتی پیام ها در یک الگوریتم پخش علیتی در سیستمهای توزیع شده
- بهینه سازی به سبک گربه های شنی: الگوریتمی برای جستجوی کارآمد و مدیریت ازدحام
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.