اکتشاف و پردازش هوشمند دانش

اکتشاف و پردازش هوشمند دانش

بهبود هایپرپارامترهای شبکه‌های عصبی کانولوشن با استفاده از Ray Tune جهت طبقه بندی اختلال افسردگی مبتنی بر داده‌های امیکس

نوع مقاله : مقاله پژوهشی

نویسندگان
1 گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد مشهد
2 دانشگاه الزهرا
3 دانشگاه نیشابور
10.30508/kdip.2026.588515.1186
چکیده
افسردگی یکی از شایع‌ترین اختلالات روانی در جهان است که تشخیص زودهنگام و دقیق آن نقش مهمی در پیشگیری و درمان مؤثر دارد. در سال‌های اخیر، استفاده از داده‌های اُمیکس و روش‌های یادگیری عمیق به‌ویژه شبکه‌های عصبی کانولوشنی در حوزه تشخیص بیماری‌ها مورد توجه قرار گرفته است. با این حال، عملکرد این مدل‌ها به‌شدت به تنظیم بهینه هایپرپارامترها وابسته بوده و تنظیم دستی آن‌ها فرایندی زمان‌بر و غیربهینه است. در این پژوهش، یک چارچوب جدید برای بهینه‌سازی خودکار هایپرپارامترهای شبکه عصبی کانولوشنی تک‌بعدی (1D-sCNN) با استفاده از پلتفرمRay Tune ارائه شده است. در روش پیشنهادی، از الگوریتم جست‌وجویHyperOpt به‌همراه زمان‌بند ASHA به‌صورت دو‌مرحله‌ای جهت کاهش هزینه محاسباتی و افزایش سرعت همگرایی استفاده می‌شود. همچنین، به‌منظور ارزیابی پایایی و اطمینان‌پذیری نتایج، بازه‌های اطمینان برای متریک‌های ارزیابی محاسبه شده است. آزمایش‌ها بر روی داده‌های بیان ژن مبتنی بر فناوری‌های Microarray و RNA-Seq انجام شده و نتایج نشان می‌دهد که روش پیشنهادی در مقایسه با روش پایه و تنظیم دستی هایپرپارامترها، بهبود معناداری در دقت، صحت طبقه‌بندی و پایداری مدل ایجاد کرده است. نتایج آماری مبتنی بر بازه اطمینان ۹۵٪ نیز برتری روش پیشنهادی را تأیید می‌کند. یافته‌های این تحقیق نشان می‌دهد که استفاده از بهینه‌سازی خودکار هایپرپارامترها در شبکه‌های عصبی عمیق می‌تواند نقش مؤثری در افزایش دقت تشخیص اختلال افسردگی مبتنی بر داده‌های اُمیکس ایفا کند و مسیر مناسبی برای توسعه سامانه‌های هوشمند تشخیص بیماری فراهم سازد.
کلیدواژه‌ها