فرایند گوش کردن، یکی از روش های شناسایی و تشخیص بیماری های تنفسی است. این فرایند از گذشته تا امروز مورد استفاده پزشکان بوده و از طریق یک گوشی پزشکی انجام می شود. چالش پیش روی این فرایند این است که وابستگی بالایی بین تشخیص بیماری و تخصص و تجربه پزشک وجود دارد.
هدف این پژوهش که در قالب پایان نامه کارشناسی ارشد زانیار قادری در رشته مهندسی صنایع، سیستم های سلامت انجام شده، ارائه روشی اتوماتیک برای شناسایی و تشخیص بیماری های تنفسی با تحلیل صدای ریه با رویکرد یادگیری عمیق است. همچنین چالش برچسب گذاری داده ها که یکی از بزرگ ترین چالش های حوزه یادگیری ماشین است از طریق ارائه یک مدل یادگیری نیمه نظارتی مورد بررسی قرار گرفته است.
دراین پژوهش از روش استخراج ویژگی اسپکتروگرام استفاده می شود و داده ها از طریق یک مدل یادگیری نظارت شده که شامل یک شبکه عصبی کانولوشنی است، دسته بندی شده و بیماری هر یک از داده ها تشخیص داده می شود. سپس برچسب درصدی از داده ها به صورت تصادفی کنار گذاشته شده و یک مدل یادگیری نیمه نظارتی با هدف پرچسب گذاری این داده ها ارائه شده است.
صحت بدست آمده برای مدل یادگیری نظارت شده برابر با 97% و معیارهای دقت، بازخوانی و امتیاز F به ترتیب برابر با 97.16%، 97.33% و 97% هستند. سناریوهای مختلفی برای مدل یادگیری نیمه نظارتی ارائه شده است که صحت برچسب گذاری که معیار اصلی و هدف مدل نیمه نظارتی است، برابر با 90.30% با انحراف معیار 3.22% است.
نتایج بدست آمده جزو بهترین نتایج حاصله در موضوع مورد پژوهش است و قابلیت ارتقاء نیز دارد. از مدل های طراحی و پیاده سازی شده می توان در موارد مختلفی از قبیل ارائه سیستم کمک یار پزشک و پلتفرم های آنلاین و یا اینترنت اشیاء استفاده کرد.
این پژوهش در قالب پایان نامه کارشناسی ارشد زانیار قادری با راهنمایی دکتر توکتم خطیبی عضو هیأت علمی دانشکده مهندسی صنایع و سیستم ها انجام شد.