طبقه بندی بیماری پارکینسون بوسیله شبکه های عصبی MLP و الگوریتم ژنتیک
Publish place: The Second International Conference on New Achievements in Engineering and Basic Sciences
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 1,532
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
AEBSCONF02_125
Index date: 6 June 2015
طبقه بندی بیماری پارکینسون بوسیله شبکه های عصبی MLP و الگوریتم ژنتیک abstract
در تشخیص بیماری پارکینسون از روشهای مختلفی استفاده شده است.از جمله این روشها میتوان به سیستم های تشخیص و گفتار اشاره نمود. ازآنجا که اغلب این بیماری را توسط نشانه های صوتی بیماران مبتلا به PD مانند کاهش بلندی و وضوح صدا ،اختلال در کیفیت صدا شناسایی می کنند این روش کاربرد زیادی در تشخیص دقیق این بیماری دارد.زمینه پردازش گفتار وسیستم های تشخیص گفتار در طول چند دهه گذشته بسیار مورد توجه قرار گرفته است. روش تجزیه و تحلیل شامل روش پردازش سیگنال دیجیتال سنتی از قبیل مدل مارکف مخفی، فیلتر کالمن، کوتاه مدت تجزیه و تحلیل فرکانس وتبدیل موجک بطور موفقیت آمیزی برای افزایش تشخیص گفتار توسط برنامه های کاربردی مورد استفاده قرار گرفته اند. از آنجا که تحقیقات قبلی بر روی بیماران نشان داده که 90 %از بیماران مبتلا به بیماری پاکینسون یک اختلال صوتی در آنها مشاهده شده است.بنابراین اندازگیری این علایم صوتی و شناسایی آنها در تشخیص بیماری نقش مهمی ایفا می کند.درابتدا تحلیل واریانس این ویژگی ها صوتی برای بدست آوردن تعداد ورودی های متعادل تر محاسبه می شود وسپس این ویژگی ها بعنوان ورودی وارد شبکه عصبی می شود.وزنها شبکه عصبی نیزتوسط الگوریتم ژنتیک اصلاح می گردد.
طبقه بندی بیماری پارکینسون بوسیله شبکه های عصبی MLP و الگوریتم ژنتیک Keywords:
طبقه بندی بیماری پارکینسون بوسیله شبکه های عصبی MLP و الگوریتم ژنتیک authors
کبرا رمضانی کوه بنه
دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات گیلان،رشت
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :