scientific magazine yafte

fa 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 A COVID-19 Diagnostic Approach Based on Cough Sound Analysis Using Deep Learning with Convolutional Neural Networks and Long Short-Term Memory Networks عفونی عفونی پژوهشي اصیل Original Research <div style="text-align: justify;">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.</div> <div style="text-align: justify;">Background: Conventional COVID-19 diagnostic assays, such as reverse transcription polymerase chain reaction (RT-PCR), may be time-consuming, costly, and susceptible to environmental and operational factors. These limitations are particularly challenging in resource-constrained settings. Artificial intelligence-based analysis of cough sounds has emerged as a promising noninvasive approach for COVID-19 screening. Materials and Methods: This study proposes a novel COVID-19 detection method based on cough sound analysis. First, cough signals are converted into spectrogram images. Next, spatial features are extracted using an enhanced Convolutional Neural Network (CNN), the hyperparameters of which are optimized using the Coati Optimization Algorithm. The Arithmetic Optimization Algorithm is then employed to select the most informative features. Finally, a Long Short-Term Memory (LSTM) network classifies the samples into COVID-19-infected and healthy groups. Results: On the CHRSD dataset, the proposed method achieved an accuracy of 95.72%, a sensitivity of 93.41%, and a precision of 91.75%. On the Cambridge dataset, it achieved an accuracy of 98.26%, a sensitivity of 97.73%, and a precision of 97.92%. On the COUGHVID dataset, the method obtained an accuracy of 98.83%, a sensitivity of 97.29%, and a precision of 97.68%. Conclusion: The proposed method outperformed conventional CNN, Deep Neural Network, and LSTM models in COVID-19 detection based on cough sounds. Its noninvasive nature and computational efficiency indicate its potential for deployment in smartphone-based screening applications. However, the method should be considered a supportive screening tool and requires further clinical validation before use as a replacement for standard diagnostic tests, such as RT-PCR.</div> عفونتهای ریه, کووید 19, پردازش سیگنال, یادگیری عمیق, هوش گروهی COVID-19, Cough sound analysis, Deep learning, Lung infection, Signal processing, Swarm intelligence 93 109 http://yafte.lums.ac.ir/browse.php?a_code=A-10-3765-1&slc_lang=fa&sid=1 Hamidreza Ghaffari حمیدرضا غفاری hamidghaffary53@iau.ac.ir 7200319475328460032195 0009-0001-6337-1998 Yes Department of Computer Engineering, Fe.C., Islamic Azad University, Ferdows, Iran گروه مهندسی نرم‌افزار، دانشگاه آزاد اسلامی، (خراسان جنوبی)، واحد فردوس، ایران Shadi Dalvand شادی دالوند shadi.dalvand3448@iau.ir 7200319475328460032196 0009-0007-1690-5719 No Department of Computer Engineering, Fe.C., Islamic Azad University, Ferdows, Iran گروه مهندسی نرم‌افزار، دانشگاه آزاد اسلامی، (خراسان جنوبی)، واحد فردوس، ایران