CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

بررسی روش های تشخیص زود هنگام و پردازش داده های بزرگ بیماری آلزایمر با به کاری گیری روش های یادگیری عمیق

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۹ | تعداد نمایش خلاصه: ۲۲۱ | نظرات: ۰
سال انتشار: ۱۳۹۶
کد COI مقاله: DCBDP03_039
زبان مقاله: فارسی
حجم فایل: ۵۶۱.۴۷ کیلوبایت (فایل این مقاله در ۹ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۹ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۹ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بررسی روش های تشخیص زود هنگام و پردازش داده های بزرگ بیماری آلزایمر با به کاری گیری روش های یادگیری عمیق

  جلیل نورمحمدی خیارک - کارشناسی ارشد، دانشکده برق و کامپیوتر، دانشگاه تبریز، تبریز،
  اسماعیل فخیمی قشلاق - کارشناسی ارشد، دانشکده برق و کامپیوتر، دانشگاه تهران، ایوان کی،
  عسگر هوشیارحسن باروق - کارشناسی ارشد، دانشکده برق و کامپیوتر، دانشگاه آزاد فردوس ، خراسان جنوبی،
  محمدرضا فیضی درخشی - دانشیار، دانشکده برق و کامپیوتر، دانشگاه تبریز، تبریز.

چکیده مقاله:

تشخیص زودهنگام بیماری در خیلی مواقع نقش اساسی در جلوگیری از پیشرفت بیماری و حتی قطع آن دارد. تشخیص زودهنگام بیماری آلزایمر هم یکی از این موارد هست که با به کاری گیری روش های جدید یادگیری ماشین اقدام به تشخیص زود هنگام کرده اند. اخیرا، بیماری آلزایمر مبتنی بر تصویر برداری عصبی توجه محققان را برای تحقیق در این زمینه جذب کرده است. چالش اصلیکه در این مسیله وجود دارد بعد بالای داده های بیماری آلزایمر و کمبود تعداد نمونه هست. یادگیری عمیق به مدل های کامپیوتری که از چندین لایه پردازشی تشکیل شده اند اجازه می دهد تا نمونه های داده را با چندین لایه انتزاع بیاموزد. روش های یادگیریعمیق براساس بافته های محققان روش های موفقی در پردازش داده برزگ مخصوصا در تشخیص بیماری آلزایمر می باشند. در این مقاله به بررسی روش های مختلف یادگیری عمیق در تشخیص زود هنگام بیماری آلزایمر پرداختیم و همچنین معماری های مختلفیکه در این باره به کار گرفته شده است را بررسی کردیم نتایج این بررسی نشان می دهد که با روش های جدید یادگیری عمیق می توان سیستم های بسیار مناسبی در تشخیص زودهنگام بیماری آلزایمر طراحی و پیاده سازی کرد

کلیدواژه‌ها:

داده بزرگ، بیماری آلزایمر، تشخیص بیماری، کلاس بندی، یادگیری عمیق، یادگیری ماشین

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-DCBDP03-DCBDP03_039.html
کد COI مقاله: DCBDP03_039

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
نورمحمدی خیارک, جلیل؛ اسماعیل فخیمی قشلاق؛ عسگر هوشیارحسن باروق و محمدرضا فیضی درخشی، ۱۳۹۶، بررسی روش های تشخیص زود هنگام و پردازش داده های بزرگ بیماری آلزایمر با به کاری گیری روش های یادگیری عمیق، سومین کنفرانس ملی محاسبات توزیعی و پردازش داده های بزرگ، تبریز، دانشگاه شهید مدنی آذربایجان، https://www.civilica.com/Paper-DCBDP03-DCBDP03_039.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (نورمحمدی خیارک, جلیل؛ اسماعیل فخیمی قشلاق؛ عسگر هوشیارحسن باروق و محمدرضا فیضی درخشی، ۱۳۹۶)
برای بار دوم به بعد: (نورمحمدی خیارک؛ فخیمی قشلاق؛ هوشیارحسن باروق و فیضی درخشی، ۱۳۹۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۱۵۳۰۲
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.