Senior Defense: ارائه یک روش یادگیری ماشین جمعی مبتنی بر الگوریتم K نزدیک ترین همسایه جهت افزایش دقت پیش بینی بیماری پارکینسون

ارائه یک روش یادگیری ماشین جمعی مبتنی بر الگوریتم K نزدیک ترین همسایه جهت افزایش دقت پیش بینی بیماری پارکینسون روز یکشنبه، 31 تیر، 1403 توسط موسسه آموزش عالی پیشتازان شیراز در شهر شیراز استان فارس برگزار می شود.

درگذر زمان علائم و عوارض بیماری پارکینسون تشدید شده و این موضوع باعث می گردد که تشخیص زودهنگام وجود این بیماری، نقش بسیار مهمی در درمان موثرتر با هزینه کمتر داشته باشد. عدم توانمندی روش های آزمایشگاهی فعلی در تشخیص زودهنگام بیماری پارکینسون موجب شده است که در سالیان اخیر استفاده از روش های یادگیری ماشین برای این نوع تشخیص بسیار فراگیر شود. علی رغم مزیت های موجود، آموزش غیرگروهی روش های یادگیری ماشین کنونی موجب شده است زمان متوسط محاسبه در این روش ها زیاد شده و ضمن حساسیت به مقیاس داده و نیاز به مقدار حافظه زیاد، دارای دقت و کارایی مناسبی برای پیش بینی این نوع بیماری نباشند. در این پژوهش، جهت حل چالش ذکرشده با استفاده از الگوریتم K نزدیک ترین همسایه یک روش یادگیری ماشین جمعی کارا طراحی و توسعه داده ایم که با کاهش زمان متوسط محاسبات داخلی و حافظه موردنیاز درنهایت به دلیل عدم حساسیت به مقیاس داده موجب افزایش دقت و کارایی پیش بینی بیماری پارکینسون شده است. جهت آموزش و اعتبارسنجی روش پیشنهادی از نرم افزار متلب و 1040 نمونه از جامعه داده ای Parkinson Speech Dataset with Multiple Types of Sound Recordings استفاده شده است. از معیارهای ماتریس اغتشاش، صحت، دقت و بازخوانی جهت ارزیابی میزان کارایی روش پیشنهادی و روش های مورد مقایسه پیش بینی بیماری پارکینسون، استفاده شده است. مطابق نتایج تحلیل تجربی پژوهش، مشخص شده است که روش پیشنهادی با دقتی معادل با 0.95 توانسته است نسبت به روش های مورد مقایسه پژوهش (ماشین بردار پشتیبان، K نزدیک ترین همسایه، درخت تصمیم، رگرسیون لجستیک) دقت و کارایی پیش بینی بیماری پارکینسون را بهبود دهد. افزایش دقت و کارایی این نوع پیش بینی توسط روش پیشنهادی، موجب کاهش سربارهای مالی و زمانی درمان و پیشگیری از بیماری پارکینسون خواهد شد.
معرفی سخنرانان: گردآورنده: امیرحسین باباخانی اساتید راهنما: دکتر علی صادقی اساتید داور: دکتر ندا احرار-دکتر فرشته رضائی