كلية التربية للعلوم الصرفة تناقش رسالة الماجستير الموسومة High Blood Pressure Classificatio Using Machine Learning تصنيف ارتفاع ضغط الدم باستخدام التعلم الالي ..

نوقشت في كلية التربية للعلوم الصرفة لقسم علوم الحاسبات على قاعة موتمرات الكلية رسالة الماجستير من قبل الباحثة هيفاء دويش غالي

رسالتها الموسومة :
High Blood Pressure Classificatio
Using Machine Learning
تصنيف ارتفاع ضغط الدم باستخدام التعلم الالي

وبعد دفاع الباحثة عن رسالتها من قبل اللجنة المكونة من الاساتذه المحترمين.

أ.م.د سرمد كاظم اذياب / جامعة العين /كلية الهندسة/ رئيسا
أ.م.دمحمد مراد عناد/جامعة ذي قار / كلية التربية للعلوم الصرفة /عضوا
م.د ولاء خشلان يسر جامعة ذي قار / كلية التربية للعلوم الصرفة /عضوا
أ.د فراس صبار مفتن جامعة ذي قار / كلية التربية للعلوم الصرفة /عضوا ومشرفا
تم قبول رسالتها

تتناول هذه الدراسة استخدام تقنيات التعلم الالي لتصنيفارتفاع ضغط الدم باستخدام إشارات التصوير الضوئي. بسعىالبحث الى تطوير نموذج يتيح تصنيف ارتفاع ضغط الدم باستخدام إشارات التصوير الضوئي بدقة وموثوقية عالية كما يهدف الى مواجهة التحديات المرتبطة بالتعامل مع إشارات التصوير الضوئي لإزالة الضوضاء بالإضافة الى تحقيق تحسينات ملموسة مقارنة بالاساليب التقليدية المستخدمة في مجال تصنيف ارتفاع ضغط الدم ولتحقيق ذلك تم استخدام ثلاث طرق مختلفة لتصنيفارتفاع ضغط الدم باستخدام إشارات التصوير الضوئي. أسفرت الطريقة الأولى ، التي تستخدم خوارزميات التعلم الآلي التقليدية  على الميزات المصنوعة يدويا المستخرجة من إشارات PPG المعالجة مسبقا ، عن نتائج واعدة ، حيث حققت Random Forest أعلى دقة في حين أن هذا النهج يوفر إمكانية التفسير ، إلا أنه يعتمد على خبرة المجال لهندسة الميزات.أما الطريقة الثانية، التي تستخدم بنية التعلم العميق  مباشرة على إشارة PPG، فقد أظهرت أداء رائعا، حيث حققت دقة مذهلة. يلغي هذا النهج الحاجة إلى استخراج الميزات يدويا ، مما يسمح للنموذج بتعلم الميزات التمييزية تلقائيا. جمعت الطريقة الثالثة بين الطريقتين السابقتين من خلال استخدام CNN لاستخراج الميزات متبوعا بالتصنيف باستخدام خوارزميات التعلم الآلي التقليدية. نتج عن هذا النهج الهجين دقة عالية مع Random Forest ، مما يدل على الفوائد المحتملة للجمع بين هندسة الميزات والتعلم العميق.
الاستنتاجات والتوصيات
أظهرت الطرق الثلاث أداء قويا لتصنيف ارتفاع ضغط الدم الا ان الطريقة القائمة على CNN اظهرت دقة فائقة تتفوق على باقي الطرق المستخدمة. ومع ذلك ، فإن النهج الهجين باستخدامCNN و Random Forest يوفر توازنا بين الأداء وقابلية التفسير.يوضح هذا البحث إمكانات تقنيات التعلم الآلي في تقدير مستويات ضغط الدمبدقة باستخدام إشارات PPG. تمهد النتائج الطريق لتطوير طرق غير جراحية وموثوقة ويمكن الوصول إليها لمراقبة ضغط الدم ، مما يساهم في نهاية المطاف في تحسين إدارة ارتفاع ضغط الدم والنتائج الصحية للقلب والأوعية الدموية.