۳ نتیجه برای استخراج ویژگی
حسین قیومی زاده، علی فیاضی، بیتا بی نظیر، مصطفی یارقلی،
دوره ۷، شماره ۲ - ( ۶-۱۳۹۹ )
چکیده
مقدمه: ترموگرافی یک روش تصویربرداری غیرتهاجمی است که میتواند جهت تشخیص سرطان پستان مورد استفاده قرار گیرد. در این مطالعه روشی جهت استخراج ویژگی‌های مناسب در تصاویر دینامیک ترموگرافی سینه ارائه شد. ویژگی‌های استخراج شده می‌توانند جهت طبقه‌بندی تصاویر ترموگرافی به سرطانی و سالم کمک کننده باشند.
روش: در این مطالعه توصیفی-تحلیلی تصاویر از پایگاه داده پروژه آنلاین IC/UFF استخراج شد. تعداد افراد مورد بررسی ۱۹۶، شامل ۴۱ مورد سرطانی و ۱۵۵ مورد سالم بودند. هر فرد دارای ۱۰ تصویر ترموگرافی که جمعاً تعداد تصاویر آنالیز شده ۱۹۶۰ تصویر ترموگرافی بود. این تصاویر با استفاده از دوربین FLIR ThermaCam S۴۵ ضبط شد. مدل پیشنهادی بر اساس سلسله تصاویر ترموگرافی پستان یک فرد جهت استخراج ۸ ویژگی مناسب ارائه شد. ویژگی‌های استخراج شده شامل میانگین، انحراف معیار، آنتروپی، کورتوسیس، همگنی، انرژی، اسکوئنس و واریانس است.
نتایج: عملکرد ویژگی‌های استخراج‌شده، توسط طبقه‌بندکننده‌های شامل درخت تصمیم، ماشین بردار پشتیبان، تجزیه‌وتحلیل متقارن درجه دوم و الگوریتم K -نزدیک‌ترین همسایگی با استفاده از cross validation ده‌گانه مورد ارزیابی قرار گرفتند. مقادیر دقت و حساسیت به ترتیب، بر اساس الگوریتم‌های درخت تصمیم ۹۹%، ۹۹/۳۳% و ماشین بردار پشتیبان ۹۸/۴۶%، ۹۵/۱۲% و تجزیه‌وتحلیل متقارن درجه دوم ۱۰۰%، ۱۰۰% و الگوریتم K -نزدیک‌ترین همسایگی ۹۹%، ۹۷/۵۶% به‌دست آمد.
نتیجه‌گیری: نتایج نشان داد که از میان ویژگی‌های آماری مرتبه اول، میانگین تفاوت، چولگی، آنتروپی و انحراف استاندارد ویژگی بسیار مؤثری هستند که بیشتر به تشخیص عدم تقارن کمک می‌کنند. ویژگی‌های استخراج‌شده با استفاده از مدل پیشنهادی می‌توانند در طبقه‌بندی افراد سالم و سرطانی در تصاویر حرارتی بسیار کمک کننده باشند.
کلید واژه‌ها: مدل دینامیک، ترموگرافی، سرطان پستان، استخراج ویژگی
ناصر صفدریان، محسن ناجی،
دوره ۷، شماره ۲ - ( ۶-۱۳۹۹ )
چکیده
مقدمه: احساس نقش مهمی در سلامت، ارتباط و تعامل بین انسانها دارد. توانایی شناخت حالات حسی افراد قسمت مهمی از شاخص های سلامتی و ارتباط های طبیعی است. در پایگاه داده DEAP، سیگنال های الکتروانسفالوگرام و سیگنال های فیزیولوژیکی محیطی مربوط به ۳۲ داوطلب ثبت شده است. شرکت کنندگان در هر ویدئو از نظر سطح انگیختگی، ظرفیت، دوست داشتن/نداشتن، تسلط و آشنایی با ویدئوی مشاهده شده امتیاز داده شدند.
روش: در این مقاله روش تجربی و کاربردی جهت طبقه بندی ظرفیت، انگیختگی، تسلط و علاقه، توسط رتبه بندی ویژگی های استخراج شده از سیگنال ها با استفاده از الگوریتم هایی بر روی سیگنال های EEG و سیگنال های فیزیولوژیکی محیطی (نظیر سیگنال های الکترومایوگرام، الکترواوکولوگرام، پاسخ الکتریکی پوست، نرخ تنفس، پلتیسموگرام و دمای پوست) انجام گردید. پس از فراخوانی سیگنال ها از پایگاه داده و پیش پردازش اولیه آنها، ویژگی های مختلف در حوزه زمان و فرکانس از کلیه سیگنال ها استخراج گردید. در این مقاله از طبقه بندی کننده های SVM و KNN، الگوریتم خوشه بندی K-means و شبکه های عصبی PNN و GRNN جهت تشخیص و طبقه بندی احساسات استفاده شد.
نتایج: در نهایت نشان داده شد که نتایج نهایی طبقه بندی احساسات توسط روش ها و طبقه بندی کننده های مختلف در این مقاله با دقت بالا صورت می پذیرد. بهترین نتایج صحت حاصل از به کارگیری روش پیشنهاد شده با استفاده از ویژگی های استخراج شده از سیگنال های محیطی و ویژگی های استخراج شده از سیگنال های EEG به ترتیب برابر ۸۵/۵% و ۸۲/۴% به ازای ورودی طبقه بندی کننده SVM حاصل گردید.
نتیجه گیری: با توجه به نتایج نهایی درخصوص طبقه بندی احساسات در این مقاله، الگوریتم ارائه شده نتایج نسبتاً مناسبتری نسبت به سایر روش های مشابه پیشین ارائه داده است.
محمد روستائی، داور گیوکی،
دوره ۱۰، شماره ۲ - ( ۶-۱۴۰۲ )
چکیده
مقدمه: کووید-۱۹ یک ویروس جدید است که باعث عفونت در دستگاه‌تنفسی‌فوقانی و ریه‌ها می‌شود که تعداد موارد مرگ و میر به‌طور روزانه در مقیاس یک بیماری همه‌گیر جهانی افزایش یافته است. تصاویر اشعه‌ایکس قفسه‌سینه برای نظارت بر بیماری‌های مختلف ریه مفید بوده و اخیراً برای نظارت بر بیماری کووید-۱۹ استفاده شده است.
روش: در این پژوهش جهت بازشناسی کووید-۱۹ از روی تصاویر x از یک فرآیند چند مرحله‌ای بهره گرفته شده است که در مرحله نخست عملیات پیش‌پردازش با هدف نرمال سازی روی داده‌ها صورت گرفته است. در گام دوم که مهم‌ترین گام روش پیشنهادی می‌باشد، عملیات استخراج ویژگی صورت گرفته است. عملیات استخراج ویژگی براساس شبکه‌های یادگیری‌عمیق صورت گرفته است. بعد از عملیات استخراج ویژگی از الگوریتم‌های یادگیری‌ماشین جهت دسته‌بندی تصاویر بهره گرفته شده است. الگوریتم‌های مورد استفاده در این بخش الگوریتم‌های ماشین بردار پشتیبان، نزدیک‌ترین همسایه و درخت تصمیم می‌باشند. نتایج این دسته‌بندها در گام چهارم براساس رأی اکثریت ترکیب گردیده‌اند.
نتایج: پارامترهای به‌کاررفته در این پژوهش جزء پارامترهای دسته‌بندی می‌باشد که شامل: دقت، صحت، فراخوان و معیار F می‌باشند که به‌ترتیب مقادیر ۹۶/۵، ۹۲/۲۵، ۹۴ و ۹۳ به دست آمده است.
نتیجه‌گیری: نتایج آزمایش‌ها نشان‌دهنده کارایی قابل‌قبول روش‌پیشنهادی می‌باشد زیرا علاوه بر کاهش محاسبات توسط لایه جدا پذیر، از ترکیب دسته‌بندها و وزن‌دهی به آنها برای به‌دست آوردن نتیجه نهایی استفاده گردیده است.
