شهرزاد پورامیرارسلانی - دانشجوی کارشناسی ارشد مهندسی پزشکی، موسسه آموزش عالی سراج
نادر وحدانی مناف - استادیار گروه مهندسی پزشکی، موسسه آموزش عالی سراج
سامان راجبی - استادیار گروه مهندسی برق، موسسه آموزش عالی سراج

بیماری های مزمن انسدادی ریوی بیماری های پیشرونده و تا حد زیادی غیر قابل برگشت هستند که بر مسیرهای تنفسی و هوایی تاثیرمی گذارند. این بیماری ها با کاهش سرعت جریان بازدمی مشخص می شوند که شامل آسم برونشیت مزمن و آمفیزم می باشند. در بینآزمون های عملکرد ریوی، آزمون اسپیرومتری به عنوان استاندارد طلایی برای اندازه گیری دقیق عملکرد ریوی، بیشتر مورد استفادهقرار می گیرد. روند تفسیر نتایج حاصل از این تست وابسته به فرد متخصص می باشد و به دلیل وجود علاتم مشابه در بین انواعکلاس های مختلف بیماری» تفسیر توسط خود بیمار دشوار است. از این رو. هدف از این مطالعه استفاده از روش های یادگیری ماشینو هوش مصنوعی در اسپیرومتری» برای تفسیر نتایج آزمایش و طبقه بندی بیماری های مزمن انسدادی ریوی می باشد.در این مقاله یک روش کلاسبندی جنگل تصادفی عمیق بر اساس درخت های تصمیم تجمعی چند لایه پیشنهاد شده است که مدلپیشنهادی با تمرکز بر بردار ویژگی ها توسط روش جداپذیری فیشر و الگوریتم ژنتیک بهینه سازی شده است. دادگان بکار رفته در اینمقاله از نتایج تست اسپیرومتری و ویژگی های مرتبط با بیماری های ربوی» در سه کلاس جمع آوری شده است. ارزیابی روش پیشنهادیدر چهارچوب روش اعتبارسنجی متقاطع ۵ گانه انجام شد که معیارهای ارزیابی دقت برابر با ‎۹۴/۱۶، اختصاصی بودن ۹۵/۶۲ و F-Measureبرابر با ‎۹۱/۲۵ درصد به دست آمد.

بیماریهای مزمن انسدادی ریوی، جنگل تصادفی، جنگل عمیق، نرخ جداپذیری فیشر، الگوریتم ژنتیک