طراحی یک روش کارآمد در طبقهبندی درد اندام تحتانی با استفاده ازالگوریتم ژنتیک و ماشین بردار پشتیبان

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 490

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

POWERMINOO02_028

تاریخ نمایه سازی: 30 بهمن 1394

چکیده مقاله:

همواره طراحی بخش نرم افزاری یک سیستم تشخیص خودکار درد که به طور معمول با صحت طبقهبندی کم همراه است، از مشکلات پیشروی محققین محسوب میشود. در این مقاله، برای تشخیص میزان و شدت درد در اندام تحتانی افراد،ویژگیهایی مختلفی نظیر واریانس، چولگی، آنتروپی، اسکیونس و ... استخراج میشوند. در گام نخست جهت افزایش دقت طبقه- بندی، ویژگیهای استخراج شده با تکیه بر روش خوشهبندی درخت تصمیم، بازآرای و چینش میگردند. دادههای خوشهبندی شده دارای ابعاد بالایی هستند و از این رو الگوریتم تکاملی ژنتیک به انتخاب بهترین ویژگیها میپردازد. در نهایت این طبقهبندماشین بردار پشتیبانSVM است که دادههای کاهش بعد داده شده را با صحت طبقهبندی بالاتر از 87 % کلاسهبندی میکند وشدت درد را با ضریب اطمینان قابل قبولی بازشناسی میکند. نتایج حاصل آمده، نمایانگر عملکرد کارآمد سیستم خودکار تفکیک کننده درد در اندام تحتانی است و این ادعا با محاسبه ضریب همبستگی میسر شده است. بکارگیری این الگوریتم در بخش نرم افزاری سیستمهای شناسایی درد تا حد گستردهای در کمک به افرادی که با ناتواناییهای حرکتی و یا معلولیت دست و پنجه نرم میکنند، اثرگذار باشد

کلیدواژه ها:

شدت درد ، اندام تحتانی ، الگوریتم ژنتیک ، درخت تصمیم ، طبقهبند ماشین بردار پشتیبانSVM

نویسندگان

جواد قره خانی

دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، واحد شاهرود، دانشگاه آزاد اسلامی شاهرود، ایران

جواد حدادنیا

گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه حکیم سبزواری، سبزوار، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Turk, D. C., Dworkin, R. H. "What should be the ...
  • Breivik, H., Borchgrevink, P. C., Allen, S. M., Rosseland, L. ...
  • Ndetan, H. T., Rupert, R. L., Bae, S., Singh, K. ...
  • Legg, S. Jacobs, K. "Ergonomics for schools" Work. Vol. 31, ...
  • _ _ _ detection modality for breas tumor", Internationd ...
  • Herry, C. L., Frize, M., "Quantitative assessmemt of pain-related thermal ...
  • Huygen, F. J., Niehof, S, Klein, J., Zijlstra, F. J., ...
  • Jin, C., Yang, Y., Xue, Zu-Jun, Liu K. M., Liu, ...
  • Harden, R. N., Brueh, S. P., "Diagnosis of complex regional ...
  • Spalding, S. J., Kwoh, C. K., Boudreau, R., Enama, J., ...
  • Haralick, R. M., Shanmugam, K., Dinstein, I. "Textural Features for ...
  • _ _ _ _ _ of masses in digital _ ...
  • Kantardzic, M., Data Mining: Concepts, Models, Methods, and Algorithms, John ...
  • Fung, G., Mangasarian, O. L. _ S emi-Supervised Support Vector ...
  • Chapelle, O., Scholkopf, B. Zien, A. Semi -supervised learning Cambridge, ...
  • Kyriakopoulou, A.. Kalamboukis, T. "Using clustering to enhance text classification" ...
  • Selvarasu, N., Nachiappan, A., Nandhitha, N. M., "Feature Extraction Algorithms ...
  • Ahlem, _ Mohamed Amine, B., Herve, P. Redha, T., Guillaume. ...
  • نمایش کامل مراجع