دوره 28، شماره 2 - ( 6-1405 )
جلد 28 شماره 2 صفحات 109-93 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghaffari H, Dalvand S. A COVID-19 Diagnostic Approach Based on Cough Sound Analysis Using Deep Learning with Convolutional Neural Networks and Long Short-Term Memory Networks. yafte 2026; 28 (2) :93-109
URL: http://yafte.lums.ac.ir/article-1-3881-fa.html
URL: http://yafte.lums.ac.ir/article-1-3881-fa.html
غفاری حمیدرضا، دالوند شادی. یک رویکرد تشخیص بیماری کووید 19 بر اساس تحلیل صدای سرفه با یادگیری عمیق مبتنی بر شبکه عصبی Convolutional Neural Networks و Long short-term memory. مجله علمی پژوهشی یافته. 1405; 28 (2) :93-109
گروه مهندسی نرمافزار، دانشگاه آزاد اسلامی، (خراسان جنوبی)، واحد فردوس، ایران
چکیده: (7 مشاهده)
ﻣﻘﺪﻣﻪ: تشخیص ویروس کووید-19 با سنجشهای موجود مانند RT-PCR کند و حساس به شرایط هستند که مشکلاتی را به ویژه در محیطهای با منابع کم ایجاد میکنند. یک روش برای تحلیل صدای سرفه بیماران بکارگیری هوش مصنوعی و یادگیری عمیق برای تشخیص بیماری کووید-۱۹ است.
ﻣﻮاد و روشﻫﺎ: در این مقاله یک روش تشخیص بیماری کووید 19 بر اساس تجزیه و تحلیل صدای سرفه بیماران ارایه شده است. در فاز اول سیگنالهای سرفه به تصاویر طیفنگار تبدیل میشود. در مرحله بعدی ویژگیهای مکانی با شبکه عصبی کانولوشن بهبود یافته با الگوریتم بهینه سازی کوآتی استخراج میشود و نقش الگوریتم بهینه سازی کوآتی بهینه سازی فراپارامترهای CNNاست. در مرحله بعدی الگوریتم بهینه سازی محاسبات ریاضی برای انتخاب ویژکی استفاده می شود و در نهایت از LSTM برای طبقه بندی نمونه ها به بدخیم و خوش خیم استفاده میشود.
یﺎﻓﺘﻪﻫﺎ: آزمایشات نشان می دهد در مجموعه داده CHRSD روش پیشنهادی به دقت، حساسیت و صحت 72/95%، 41/93% و 75/91% رسیده است. در مجموعه داده Cambridge دقت، حساسیت و صحت روش پیشنهادی 26/98%، 73/97% و 92/97% است و مجموعه داده COUGHVID دقت، حساسیت و صحت روش پیشنهادی 83/98%، 29/97% و 68/97% است.
ﺑﺤﺚ و ﻧﺘﯿﺠﻪﮔﯿﺮی: نتایج نشان می دهد دقت روش پیشنهادی در تشخیص بیماری کووید ۱۹ از CNNs, DNNs, and LSTMs بیشتر است. مزیت مهم روش پیشنهادی عدم نیاز به آزمایشات هزینه بر مانند PCR است. یک مزیت مهم روش پیشنهادی، امکان پیاده سازی آن به عنوان یک برنامه تحت گوشی های هوشمند برای تشخیص بیماری کووید ۱۹ است.
ﻣﻮاد و روشﻫﺎ: در این مقاله یک روش تشخیص بیماری کووید 19 بر اساس تجزیه و تحلیل صدای سرفه بیماران ارایه شده است. در فاز اول سیگنالهای سرفه به تصاویر طیفنگار تبدیل میشود. در مرحله بعدی ویژگیهای مکانی با شبکه عصبی کانولوشن بهبود یافته با الگوریتم بهینه سازی کوآتی استخراج میشود و نقش الگوریتم بهینه سازی کوآتی بهینه سازی فراپارامترهای CNNاست. در مرحله بعدی الگوریتم بهینه سازی محاسبات ریاضی برای انتخاب ویژکی استفاده می شود و در نهایت از LSTM برای طبقه بندی نمونه ها به بدخیم و خوش خیم استفاده میشود.
یﺎﻓﺘﻪﻫﺎ: آزمایشات نشان می دهد در مجموعه داده CHRSD روش پیشنهادی به دقت، حساسیت و صحت 72/95%، 41/93% و 75/91% رسیده است. در مجموعه داده Cambridge دقت، حساسیت و صحت روش پیشنهادی 26/98%، 73/97% و 92/97% است و مجموعه داده COUGHVID دقت، حساسیت و صحت روش پیشنهادی 83/98%، 29/97% و 68/97% است.
ﺑﺤﺚ و ﻧﺘﯿﺠﻪﮔﯿﺮی: نتایج نشان می دهد دقت روش پیشنهادی در تشخیص بیماری کووید ۱۹ از CNNs, DNNs, and LSTMs بیشتر است. مزیت مهم روش پیشنهادی عدم نیاز به آزمایشات هزینه بر مانند PCR است. یک مزیت مهم روش پیشنهادی، امکان پیاده سازی آن به عنوان یک برنامه تحت گوشی های هوشمند برای تشخیص بیماری کووید ۱۹ است.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
عفونی
دریافت: 1404/9/8 | پذیرش: 1405/3/24 | انتشار: 1405/6/10
دریافت: 1404/9/8 | پذیرش: 1405/3/24 | انتشار: 1405/6/10
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
