ارائه روشی بهینه جهت طبقه بندی و پیش بینی بیماری پارکینسون با استفاده از الگوریتم بهینه سازی شاهین هریس برای تنظیم هایپرپارامترهای شبکه عصبی پیچشی

بیماری پارکینسون به عنوان دومین اختلال تخریب عصبی شایع در جهان نیازمند روش های تشخیصی دقیق و به هنگام است. با توجه به پیچیدگی داده های پزشکی مرتبط با این بیماری ارائه یک سیستم هوشمند با دقت بالا از اهمیت فراوانی برخوردار است. هدف اصلی این تحقیق، ارائه یک چارچوب ترکیبی نوآورانه برای افزایش قدرت تشخیص و دقت طبقه بندی این بیماری با بهره گیری از شبکه عصبی پیچشی و الگوریتم بهینه سازی شاهین هریس جهت تنظیم بهینه هایپرپارامترهای شبکه است. مواد و روش ها در این مطالعه از معماری شبکه عصبی پیچشی برای استخراج ویژگی های پیچیده و طبقه بندی داده ها استفاده شد. هایپرپارامترهای حیاتی این شبکه مانند نرخ یادگیری، تعداد لایه های کانولوشن، اندازه فیلترها و پارامترهای لایه تمام متصل، به جای روش های سعی و خطای متداول، توسط الگوریتم فراابتکاری شاهین هریس و با هدف بیشینه سازی دقت طبقه بندی بهینه سازی شدند. کارایی روش پیشنهادی بر روی مجموعه داده معتبر Parkinson's Disease Classification Dataset شامل ۷۵۶ نمونه و ۷۵۴ ویژگی و Parkinsons Dataset ارزیابی گردید. نتایج حاصل از آزمایش های گسترده نشان داد که روش ترکیبی پیشنهادی الگوریتم شاهین هریس- شبکه عصبی پیچشی به طور معناداری از نظر معیارهای ارزیابی مختلف شامل دقت، حساسیت و فراخوانی نسبت به سایر روش های متداول و پایه برتری دارد. الگوریتم شاهین هریس با مکانیزم جستجوی تعادلی خود در اکتشاف و بهره برداری موفق به یافتن بهترین ترکیب هایپرپارامترها برای شبکه عصبی شد که این امر منجر به افزایش قابلیت تعمیم مدل و کاهش بیش برازش گردید. این تحقیق به وضوح نشان می دهد که تلفیق الگوریتم بهینه سازی شاهین هریس با شبکه عصبی پیچشی می تواند به عنوان یک ابزار قدرتمند و قابل اعتماد برای کمک به متخصصان علوم پزشکی در تشخیص دقیق تر و زودهنگام بیماری پارکینسون مورد استفاده قرار گیرد. این چارچوب به عنوان یک سیستم پشتیبان تصمیم گیری هوشمند پتانسیل بالایی برای ادغام در نرم افزارهای بالینی دارد.

کلیدواژه ها:

داده کاوی ، طبقه بندی ، یادگیری عمیق ، شبکه عصبی پیچشی ، تنظیم هایپرپارامتر ، الگوریتم شاهین هریس ، تنظیم هایپرپارامتر