كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / دوازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

یک روش مبتنی بر EfficientNet بهینه، دادهافزایی و Grad-CAM برای تشخیص بیماری پارکینسون از تصاویر دستخط

نویسندگان :

صنم اکبری حاجلوئی¹ فرشید نوریان² علی‌اکبر حیدری³

1- دانشگاه شهید مدنی آذربایجان 2- دانشگاه تبریز 3- دانشگاه تبریز

کلمات کلیدی :

بیماری پارکینسون،EfficientNet،یادگیری عمیق،تحلیل دستخط،Grad-CAM،یادگیری انتقالی

چکیده :

بیماری پارکینسون یکی از شایعترین اختلالات عصبی است که با علائم حرکتی نظیر لرزش دست، کندی حرکت و ناپایداری وضعیتی شناخته میشود. ازآنجاکه این بیماری موجب تغییرات قابلتوجهی در دستخط بیماران میشود و شدت این تغییرات با پیشرفت بیماری ارتباط مستقیم دارد، تحلیل دستخط میتواند بهعنوان یک نشانگر زیستی غیرتهاجمی، کمهزینه و قابلاعتماد برای تشخیص زودهنگام بیماری مورداستفاده قرار گیرد. در این پژوهش، کارایی تحلیل الگوهای ترسیمی در تصاویر مارپیچی و موجی بهمنظور شناسایی بیماران مبتلا به پارکینسون بررسی شده است. مجموعهداده مورداستفاده شامل 204 تصویر، مشتمل بر 102 تصویر دستخط مارپیچی و 102 تصویر دستخط موجی، است. بهمنظور غلبه بر محدودیت حجم داده، ابتدا از روشهای مناسب افزایش داده برای تولید نمونههای آموزشی متنوع استفاده شد. سپس یک چارچوب مبتنی بر نسخه بهینهشده مدل EfficientNet با تنظیم دقیق کامل طراحی شد که در آن تمامی لایههای مدل در فرایند آموزش مجدداً بهروزرسانی شدند تا استخراج ویژگی و طبقهبندی تصاویر بادقت بیشتری انجام گیرد و همزمان قدرت تعمیم مدل افزایشیافته و از بیش برازش و کم برازش جلوگیری شود. ارزیابی عملکرد مدل پیشنهادی نشان داد که این روش برای مجموعهدادههای Wave و Spiral به ترتیب بهدقت 94 و 89.33 درصد دستیافته است. نتایج بهدستآمده بیانگر توانایی بالای مدل پیشنهادی در استخراج ویژگیهای مؤثر از الگوهای دستخط و تفکیک بیماران مبتلا به پارکینسون از افراد سالم است و نشان میدهد این روش میتواند بهعنوان ابزاری کارآمد و غیرتهاجمی برای کمک به تشخیص زودهنگام بیماری و پشتیبانی از تصمیمگیری بالینی به کار گرفته شود.