فهرست نشریات علمی دسترسی آزاد ایران

این مقاله به بررسی کارایی طبقه‌بندهای ترکیبی CNN-DRNN در شناسایی آپنه خواب با استفاده از سیگنال الکتروکاردیوگرام قلب (ECG) پرداخته است. در این مطالعه، مدل‌های مختلف شبکه‌های عصبی کانولوشنی ازجمله AlexNet، VGG16، VGG19 و ZFNet در ترکیب با مدل‌های شبکه عصبی بازگشتی عمیق شامل LSTM، GRU و BiLSTM مورد ارزیابی قرارگرفته است. این مدل‌ها با و بدون استفاده از بهینه‌سازهای هوش جمعی گورکن عسل و گرگ خاکستری برای تعیین مقادیر بهینه ابرپارامترها مقایسه شده‌اند. نتایج نشان می‌دهد که مدل ترکیبی AlexNet-GRU پس از اعمال هر دو بهینه‌ساز، بهترین عملکرد را با دقت ۹۵٪، نرخ تشخیص 61/97٪ و F-Score 37/93٪ ارائه کرده است. در این پژوهش، چالش بهینه‌سازی ابرپارامترها در مدل‌های یادگیری عمیق با استفاده از دو بهینه‌ساز گورکن عسل و گرگ خاکستری بررسی‌شده است. این بهینه‌سازها با الهام از رفتارهای طبیعت، تعامل غیرمستقیم میان عامل‌ها و توزیع هوشمند به حل این چالش کمک می‌کنند. البته، بهینه‌ساز گورکن عسل در مقایسه با گرگ خاکستری در انتخاب مقادیر بهینه ابرپارامترها عملکرد بهتری از خود نشان داده است.