تشخیص بیماری صرع با استفاده از روش طبقهبندی نزدیکترین همسایگی مبتنی بر متوسط محلی چندگانه با تکیهبر خوشه بندی به روش بهینهسازی حشره آبزی mayfly و k-means (1401) / ملا کریمی خوزانی ، زهرا، نویسنده
نوع مدرک: متون چاپی سرشناسه ملا کریمی خوزانی ، زهرا، نویسنده ردهبندی کنگره : COM A 35 عنوان : تشخیص بیماری صرع با استفاده از روش طبقهبندی نزدیکترین همسایگی مبتنی بر متوسط محلی چندگانه با تکیهبر خوشه بندی به روش بهینهسازی حشره آبزی mayfly و k-means عنوان موازی : Detection of Epileptic Seizures using the Multiple-Local Mean-based Nearest Neighborhood Classification Method relying on Mayfly Optimization and K-means ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 69ص شابک/شاپا 24516 یادداشت پایان نامه کارشناسی ارشد: در رشته مهندسی کامپیوتر گرایش هوش مصنوعی و رباتیکز شناسه افزوده : شیرزادفر ، حمیدرضا، استاد راهنما توصیفگرها خوشهبندی K-means، طبقهبندی MLM-KNN، بیماری صرع k-means clustering, MLM-KNN classification, epilepsy چکیده : بیماری صرع یکی از شایع ترین بیماری های مغزی است و افراد درصورت ابتلا به آن، طولانی مدت از این بیماری رنج میبرند. حدود 65 میلیون نفر در جهان مبتلابه بیماری صرع هستند و پیش بینی شده است که این تعداد تا سال 2030 به یک میلیارد نفر خواهد رسید. اگرچه تاکنون روشهای هوشمند مختلفی برای تشخیص این بیماری ارائهشده است اما اکثرشان خالی از ایراد نیست و با چالشهایی همچون حساسیت به پارامترهای تنظیمی، زمان اجرای بالا و صحت پایین مواجه هستند، از همین رو در این پایاننامه از تکنیک خوشهبندی بهواسطه K_means بهبودیافته با روش فراابتکاری Mayfly برای خوشهبندی سیگنالها در جهت استخراج ویژگیهایی همچون بعد همبستگی، آنتروپی و مدولاسیون آنتروپی از هر خوشه بهطور مجزا پرداخته شده است تا علاوه بر تسریع در زمان اجرا، ویژگیها با دقت بیشتری استخراج گردند سپس از طبقه بند جدید MLM-KNN برای طبقهبندی دادههای استخراجشده در جهت تشخیص بیماری صرع استفاده شده است. یافته های حاصل از پژوهش بر روی پایگاه داده CHB_MIT حاکی از بهتربودن روش پیشنهادی در مقایسه با روشهای مقایسه ای از نظر معیار صحت (98.2)، دقت (95.6)، ویژگی (96.9) و حساسیت (100) می باشد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13591 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24516 COM A 35 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت تشخیص بیماری کووید19- از تصاویر سی تی قفسه سینه با استفاده از یادگیری انتقالی (1401) / آسادوریان ، نازه، نویسنده
نوع مدرک: متون چاپی سرشناسه آسادوریان ، نازه، نویسنده ردهبندی کنگره : COM soft 69 عنوان : تشخیص بیماری کووید19- از تصاویر سی تی قفسه سینه با استفاده از یادگیری انتقالی عنوان موازی : Covid-19 Detection from Chest CT Scans Using Transfer Learning Approach ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 75ص شابک/شاپا 24905 یادداشت کارشناسی ارشد:رشته مهندسی کامپیوتر گرایش نرم افزار کامپیوتر شناسه افزوده : شیرزادفر ، حمیدرضا، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها یادگیری انتقالی، بیماری کووید،19- تصاویر سی تی قفسه سینه، شبکه عصبی کانولوشن، یادگیری عمیق : Transfer Learning, Covid-19 Disease, Chest CT Scans, Convolutional
Neural Network, Deep Learningچکیده : کووید19-)-2COV-SARS)که باعث سندرم حاد تنفسی می شود، یک بیماری مسری و کشنده است که
اثرات مخربی بر جامعه و زندگی انسان دارد و به طور قابل توجهی بر اقتصاد جهان تأثیر گذاشته است. کووید-
19 می تواند عوارض جدی به خصوص در بیماران با مشکالت سالمت زمینهای مانند دیابت، فشار خون باال،
سرطان ریه، سیستم ایمنی ضعیف و افراد مسن ایجاد کند. حیاتی ترین گام در مبارزه با کووید19- تشخیص
سریع بیماران مبتال است. تصاویر سی تی قفسه سینه و کیتهای تشخیصی PCR-RT اغلب برای تشخیص
بیماری استفاده می شوند. با این حال، به دلیل مشکالتی مانند ناکافی بودن کیتهای تست PCR-RT ،
نتایج منفی کاذب در مراحل اولیه بیماری، زمانبر بودن بررسی تصاویر پزشکی بهدستآمده از تکنیکهای
تصویربرداری سی تی قفسه سینه توسط متخصصان و پزشکان و افزایش حجم کار بر روی متخصصان،
شناسایی کووید19- چالش برانگیز است. بنابراین، محققان جستجوی روشهای جدید در تشخیص کووید-
19 را پیشنهاد کردهاند. روش های یادگیری عمیق روشی سریع و دقیق در تشخیص این بیماری نظر گرفته
شدهاند. پیشرفتهای اخیر در فناوری و در دسترس بودن روشهای یادگیری عمیق در تشخیص کووید19-
با دقت بیشتر، بسیار امیدوارکننده به نظر میرسند. یکی از روشهای یادگیری عمیق جهت پردازش تصاویر
شبکهی عصبی کانولوشن میباشد. برای عالمت گذاری کووید19- به عنوان مثبت یا منفی برای سی تی
اسکن بهبودیافته، از مدل های از پیش آموزش دیده موجود مانند 16VGG، 50ResNet، 201DenseNet،
L2EfficientNetV و 2InceptionResNetV استفاده شده است. مدل پیشنهادی در این تحقیق از مدل
از پیش آموزش دیده 2InceptionResNetV استفاده کرده است و به صحت باالتری دست یافته است.
صحت به دست آمده ،%97.59 دقت ،0.9878 بازیابی 0.9641 و میانگین 1F 0.9758 می باشدلینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13935 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت فاقد شماره ثبت