اکتشاف و پردازش هوشمند دانش

اکتشاف و پردازش هوشمند دانش

ارائه یک روش جدید جهت شناسایی بیماری پارکینسون مبتنی بر شبکه عصبی باور عمیق و الگوریتم ازدحام ذرات

نوع مقاله : مقاله پژوهشی

نویسندگان
مهدی الستی 1
حمید طباطبایی 2
سکینه قاسمی 3
1 گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
2 گروه هوش مصنوعی و علم داده، مرکز تحقیقات نوآوری های مالی هوشمند، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
3 گروه کامپیوتر، موسسه آموزش عالی فردوس مشهد، ایران
10.30508/kdip.2025.535531.1148
چکیده
بیماری پارکینسون یک اختلال دژنراتیو سیستم عصبی است که با تخریب تدریجی سلول‌های مغزی و اختلال در عملکرد حرکتی بدن همراه است. در سال‌های اخیر، بهره‌گیری از روش‌های هوشمند جهت تشخیص زودهنگام این بیماری مورد توجه قرار گرفته است. الگوریتم‌هایی نظیر ماشین بردار پشتیبان (SVM)، نزدیک‌ترین همسایه (KNN) و شبکه‌های عصبی از جمله روش‌های متداول در این حوزه محسوب می‌شوند. با این حال، دستیابی به ترکیبی بهینه و دقیق از این روش‌ها همچنان یک چالش محسوب می‌شود. در این تحقیق، یک روش ترکیبی مبتنی بر SVM و شبکه باور عمیق (DBN) پیشنهاد شده است. با توجه به حساسیت عملکرد SVM به پارامترهای سیگما و جریمه (C)، بهینه‌سازی این پارامترها با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) انجام شده است. سپس، خروجی بهینه‌شده SVM به عنوان ورودی به DBN داده شده و مدل نهایی آموزش دیده است. نتایج حاصل از آزمایش‌ها نشان می‌دهد که روش پیشنهادی (SVM بهینه‌شده + DBN) عملکرد بهتری نسبت به مدل‌های پایه (SVM، DBN) و نیز ترکیب آن‌ها بدون بهینه‌سازی دارد. دقت بالای بیش از ۹۹٪ در بخش آزمون، گویای اثربخشی روش پیشنهادی در تشخیص بیماری پارکینسون است.
کلیدواژه‌ها
تشخیص بیماری پارکینسون
ماشین بردار پشتیبان (SVM)
شبکه باور عمیق (DBN)
الگوریتم بهینه‌سازی ازدحام ذرات (PSO)
اکتشاف و پردازش هوشمند دانش
دوره 5، شماره 17
تابستان 1404