ارائه روشی بهینه جهت طبقه بندی و پیش بینی بیماری پارکینسون با استفاده از الگوریتم بهینه سازی شاهین هریس برای تنظیم هایپرپارامترهای شبکه عصبی پیچشی

بیماری پارکینسون به عنوان دومین اختلال تخریب عصبی شایع در جهان، نیازمند روش‌های تشخیصی دقیق و به‌هنگام است. با توجه به پیچیدگی داده‌های پزشکی مرتبط با این بیماری، ارائه یک سیستم هوشمند با دقت بالا از اهمیت فراوانی برخوردار است. هدف اصلی این تحقیق، ارائه یک چارچوب ترکیبی نوآورانه برای افزایش قدرت تشخیص و دقت طبقه‌بندی این بیماری با بهره‌گیری از شبکه عصبی پیچشی و الگوریتم بهینه‌سازی شاهین هریس جهت تنظیم بهینه هایپرپارامترهای شبکه است. مواد و روش‌ها: در این مطالعه، از معماری شبکه عصبی پیچشی برای استخراج ویژگی‌های پیچیده و طبقه‌بندی داده‌ها استفاده شد. هایپرپارامترهای حیاتی این شبکه (مانند نرخ یادگیری، تعداد لایه‌های کانولوشن، تعداد فیلترها، اندازه هسته، و پارامترهای لایه تمام‌متصل) به جای روش‌های سعی و خطای متداول، توسط الگوریتم فراابتکاری شاهین هریس و با هدف بیشینه‌سازی دقت طبقه‌بندی بهینه‌سازی شدند. کارایی روش پیشنهادی بر روی مجموعه داده معتبر parkinson’s disease classification dataset (شامل 756 نمونه و 754 ویژگی) و parkinsons dataset ارزیابی گردید. نتایج حاصل از آزمایش‌های گسترده نشان داد که روش ترکیبی پیشنهادی الگوریتم شاهین هریس- شبکه عصبی پیچشی به طور معناداری از نظر معیارهای ارزیابی مختلف شامل دقت، حساسیت، و فراخوانی نسبت به سایر روش‌های متداول و پایه برتری دارد. الگوریتم شاهین هریس با مکانیزم جستجوی تعادلی خود در اکتشاف و بهره‌برداری، موفق به یافتن بهترین ترکیب هایپرپارامترها برای شبکه عصبی شد که این امر منجر به افزایش قابلیت تعمیم مدل و کاهش بیش برازش گردید. این تحقیق به وضوح نشان می‌دهد که تلفیق الگوریتم بهینه‌سازی شاهین هریس با شبکه عصبی پیچشی می‌تواند به عنوان یک ابزار قدرتمند و قابل اعتماد برای کمک به متخصصان علوم پزشکی در تشخیص دقیق‌تر و زودهنگام بیماری پارکینسون مورد استفاده قرار گیرد. این چارچوب به‌عنوان یک سیستم پشتیبان تصمیم‌گیری هوشمند، پتانسیل بالایی برای ادغام در نرم‌افزارهای بالینی دارد.