یک روش تازه برای تحلیل داده های پزشکی و مخابراتی توسعه یافت
مهندس وب: در یک طرح پسادکتری موضوع توسعه روشی نوین برای دسته بندی داده های چندکاناله و بررسی قابلیت به کارگیری آن در پردازش سیگنال های مختلف بررسی گردید.
به گزارش مهندس وب به نقل از معاونت علمی، فناوری و اقتصاد دانش بنیان ریاست جمهوری، طاهره بحرینی در طرح پژوهشی دوره پسادکتری خود با عنوان «دسته بندی مبتنی بر شبکه وفقی توزیع شده و کاربرد آن در پردازش سیگنال های چندکاناله»، با راهنمایی محمدباقر شمس اللهی در دانشگاه صنعتی شریف، به توسعه روشی نوین برای دسته بندی داده های چندکاناله و بررسی قابلیت به کارگیری آن در پردازش سیگنال های مختلف پرداخت.
بحرینی ضمن اشاره به اهمیت دسته بندی در حوزه یادگیری ماشین اظهار داشت: دسته بندی یکی از شاخه های مهم یادگیری ماشین و داده کاوی است که نقش مؤثری در پردازش و تحلیل داده ها دارد. الگوریتم های دسته بندی با تحلیل داده های موجود، الگوها و قوانین ضروری جهت گروه بندی داده ها را شناسایی می کنند و سپس از این قوانین برای تعیین دسته داده های جدید استفاده می شود.
وی اضافه کرد: با توسعه شیوه های یادگیری ماشین، کاربرد الگوریتم های دسته بندی نیز در حوزه های مختلف گسترش یافته است. تحلیل و دسته بندی داده های پزشکی، تصاویر، نمونه های زیستی و داده های حاصل از رسانه های اجتماعی همچون کاربردهای این شیوه ها به شمار می روند. همین طور دسته بندی داده های چندکاناله، همچون سیگنال های EEG مغزی، سیگنال های ECG قلبی و سیگنال های دریافت شده از سیستم های مخابراتی، همچون کاربردهای مهم و رو به گسترش این حوزه است.
این پژوهشگر با تشریح هدف اصلی طرح اظهار داشت: هدف این تحقیق، توسعه یک چارچوب جدید برای دسته بندی داده های چندکاناله بر پایه شبکه های وفقی توزیع شده بود. در این رویکرد، مفهوم جدیدی با عنوان «ابرشبکه وفقی» معرفی و خاصیت های آن بررسی گردید و شرایط ضروری جهت همگرایی روش پیشنهادی نیز مورد تحلیل و ارزیابی قرار گرفت.
بحرینی اضافه کرد: بعد از تدوین چارچوب نظری و بررسی خاصیت های ابرشبکه وفقی، کاربرد این چارچوب در دسته بندی سیگنال های چندکاناله مورد بررسی قرار گرفت. در مرحله نخست، تمرکز اصلی بر سیگنال های چندکاناله EEG بود و عملکرد روش پیشنهادی با استفاده از داده های مربوط به فعالیت الکتریکی مغز ارزیابی و تحلیل شد.
وی اضافه کرد: نتایج حاصل از بررسی سیگنال های EEG نشان داد که چارچوب پیشنهادی می تواند برای دسته بندی داده های چندکاناله مورد استفاده قرار گیرد. این مورد از آن جهت اهمیت دارد که سیگنال های زیستی مانند EEG به طور معمول از چندین کانال ثبت می شوند و تحلیل همزمان اطلاعات این کانال ها می تواند به شناسایی دقیق تر الگوهای موجود در داده ها کمک نماید.
این پژوهشگر ضمن اشاره به توسعه دامنه کاربردهای روش پیشنهادی اظهار داشت: در ادامه پژوهش، علاوه بر داده های معمول EEG، سایر داده های چندکاناله مغزی نیز بررسی شدند؛ همچون داده های EEG مربوط به آزمون تحریک الکل. همین طور عملکرد چارچوب پیشنهادی در داده های چندکاناله غیرمغزی، شامل داده های مصنوعی و داده های صوتی، مورد ارزیابی قرار گرفت.
بحرینی اضافه کرد: بررسی داده های متنوع نشان داد که چارچوب پیشنهادی محدود به یک نوع خاص از سیگنال های چندکاناله نیست و میتوان از آن در تحلیل و دسته بندی انواع مختلف داده هایی که بصورت چندکاناله تولید یا ثبت می شوند، بهره برد. این توانایی می تواند زمینه را برای توسعه کاربردهای این شیوه در حوزه های مختلف پردازش سیگنال فراهم آورد.
وی ضمن اشاره به بخش دیگری از پژوهش اظهار داشت: در مراحل بعدی، چارچوب پیشنهادی توسعه داده شد و رفتار آن در چارچوب راهبردهای مختلف همکاری میان شبکه ها مورد بررسی قرار گرفت. همچون این راهبردها میتوان به روش RLS اشاره نمود که با هدف ارزیابی عملکرد چارچوب پیشنهادی و بررسی قابلیت های آن در شرایط مختلف مورد استفاده قرار گرفت.
این پژوهشگر در انتها تصریح کرد: نتایج این تحقیق نشان داده است که چارچوب مبتنی بر ابرشبکه وفقی می تواند به عنوان روشی جدید برای دسته بندی داده های چندکاناله مورد استفاده قرار گیرد. قابلیت به کارگیری این شیوه در داده های مغزی و غیرمغزی، همچون سیگنال های EEG، داده های صوتی و داده های مصنوعی، ظرفیت قابل توجهی برای توسعه کاربردهای آن در حوزه پردازش سیگنال، تحلیل داده های زیستی و سایر سیستم های چندکاناله بوجود می آورد. یافته های این تحقیق می تواند زمینه ساز توسعه شیوه های کارآمدتر برای پردازش توزیع شده و دسته بندی داده های پیچیده و چندکاناله در کاربردهای مختلف باشد.
منبع: مهندس وب
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب