ترجمه فارسی مقاله ارزیابی روش‌های هوش مصنوعی قابل توضیح در مدل‌های یادگیری عمیق برای تشخیص زودهنگام فلج مغزی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Evaluating Explainable AI Methods in Deep Learning Models for Early Detection of Cerebral Palsy
عنوان مقاله به فارسی ارزیابی روش‌های هوش مصنوعی قابل توضیح در مدل‌های یادگیری عمیق برای تشخیص زودهنگام فلج مغزی
نویسندگان Kimji N. Pellano, Inga Strümke, Daniel Groos, Lars Adde, Espen Alexander F. Ihlen
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Artificial Intelligence,Machine Learning,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 13 August, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 13 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Early detection of Cerebral Palsy (CP) is crucial for effective intervention and monitoring. This paper tests the reliability and applicability of Explainable AI (XAI) methods using a deep learning method that predicts CP by analyzing skeletal data extracted from video recordings of infant movements. Specifically, we use XAI evaluation metrics -- namely faithfulness and stability -- to quantitatively assess the reliability of Class Activation Mapping (CAM) and Gradient-weighted Class Activation Mapping (Grad-CAM) in this specific medical application. We utilize a unique dataset of infant movements and apply skeleton data perturbations without distorting the original dynamics of the infant movements. Our CP prediction model utilizes an ensemble approach, so we evaluate the XAI metrics performances for both the overall ensemble and the individual models. Our findings indicate that both XAI methods effectively identify key body points influencing CP predictions and that the explanations are robust against minor data perturbations. Grad-CAM significantly outperforms CAM in the RISv metric, which measures stability in terms of velocity. In contrast, CAM performs better in the RISb metric, which relates to bone stability, and the RRS metric, which assesses internal representation robustness. Individual models within the ensemble show varied results, and neither CAM nor Grad-CAM consistently outperform the other, with the ensemble approach providing a representation of outcomes from its constituent models.

چکیده به فارسی (ترجمه ماشینی)

تشخیص زودرس فلج مغزی (CP) برای مداخله و نظارت مؤثر بسیار مهم است.در این مقاله قابلیت اطمینان و کاربرد روشهای قابل توضیح AI (XAI) با استفاده از یک روش یادگیری عمیق که CP را با تجزیه و تحلیل داده های اسکلتی استخراج شده از ضبط های ویدیویی حرکات نوزاد پیش بینی می کند ، آزمایش می کند.به طور خاص ، ما از معیارهای ارزیابی XAI-یعنی وفاداری و ثبات-برای ارزیابی کمی قابلیت اطمینان نقشه برداری فعال سازی کلاس (CAM) و نقشه برداری فعال سازی کلاس با وزن شیب (GRAD-CAM) در این برنامه پزشکی خاص استفاده می کنیم.ما از یک مجموعه داده منحصر به فرد از حرکات نوزاد استفاده می کنیم و بدون تحریف پویایی اصلی حرکات نوزاد ، از اختلال داده های اسکلت استفاده می کنیم.مدل پیش بینی CP ما از یک رویکرد گروه استفاده می کند ، بنابراین ما عملکردهای معیارهای XAI را هم برای مجموعه های کلی و هم برای مدل های فردی ارزیابی می کنیم.یافته های ما نشان می دهد که هر دو روش XAI به طور مؤثر نقاط کلیدی بدن را که بر پیش بینی های CP تأثیر می گذارد ، شناسایی می کند و توضیحات در برابر آشفتگی داده های جزئی قوی است.درجه-CAM به طور قابل توجهی از CAM در متریک RISV بهتر عمل می کند ، که از نظر سرعت ثبات را اندازه گیری می کند.در مقابل ، CAM در متریک RISB ، که مربوط به پایداری استخوان است ، و متریک RRS ، که استحکام بازنمایی داخلی را ارزیابی می کند ، عملکرد بهتری دارد.مدلهای فردی در گروه نتایج متنوع را نشان می دهند ، و نه CAM و نه درجه بندی به طور مداوم از دیگری بهتر عمل نمی کنند ، با رویکرد گروه نمایشی از نتایج از مدلهای تشکیل دهنده آن را ارائه می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.