دانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-068916320250923Low-Power Approximate Multiplier Design Based on Incremental and Decremental Approximate Adders for Efficient Implementation of Artificial Neural Networksطراحی ضربکننده تقریبی کمتوان مبتنی بر جمعکنندههای تقریبی افزایشی و کاهشی برای اجرای کارای شبکههای عصبی مصنوعی1183001610.22108/isee.2025.145437.1740FAسهنددیوسالارکارشناسی ارشد، گروه الکترونیک، دانشکده مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایرانمهلاصالحی شیخعلی کلایهکارشناسی، گروه سیستمهای دیجیتال، دانشکده مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایرانشقایقوحدتاستادیار گروه الکترونیک، دانشکده مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایرانJournal Article20250527In this paper, through simplification and approximation of the truth table of exact adders with two, three, and four inputs, two methods for approximate implementation of each adder are proposed. In one structure, the average error of the adder is positive, while in the other, it is negative. These adders are respectively named incremental and decremental structures, as they tend to produce outputs that are, on average, larger or smaller than those of an exact adder. These adders are cleverly integrated into the structure of an approximate multiplier in such a way that they cancel out each other’s errors, thereby minimizing the accuracy loss in the final multiplication result. The findings show that the proposed multiplier can improve the delay and power consumption of the multiplication operation by up to 51% and 83%, respectively, compared to exact multipliers. The performance of the proposed multiplier is also examined in common applications such as image processing and artificial neural networks, and the results indicate its satisfactory effectiveness in these applications. For instance, when the proposed multiplier is used in the implementation of the trained VGG-11 model for the CIFAR-10 dataset, the energy consumption of multiplication operations can be reduced by 63%, while the network’s accuracy experiences only a slight 0.77% decrease compared to the exact case.در این مقاله، با سادهسازی و اعمال تقریب در جدول درستی جمعکنندههای دقیق با دو، سه، و چهار ورودی، دو روش برای اجرای تقریبی هر جمعکننده ارائه شده است که در یک ساختار، میانگین خطای جمعکننده مثبت و در ساختار دیگر، منفی است. این جمعکنندهها به ترتیب ساختارهای افزایشی و کاهشی نامیده شدهاند که به طور میانگین، خروجی بزرگتر و کوچکتری نسبت به جمعکنندۀ دقیق تولید میکنند. این جمعکنندهها به گونهای هوشمندانه در ساختار یک ضربکنندۀ تقریبی در کنار هم قرار میگیرند تا خطای تولیدی توسط یکدیگر را خنثی کنند و افت دقت حاصل ضرب نهایی را کاهش دهند. نتایج نشان میدهد ضربکنندۀ پیشنهادی میتواند تأخیر و توان مصرفی عملیات ضرب را تا 51 و 83 درصد نسبت به ضربکنندۀ دقیق بهبود بخشد. عملکرد ضربکنندۀ پیشنهادی در کاربردهای متداول پردازش تصویر و شبکههای عصبی مصنوعی نیز بررسی میشود و نتایج حاکی از عملکرد قابل قبول ضربکنندۀ پیشنهادی در کاربردهای یادشده است. برای مثال، با استفاده از ضربکنندۀ پیشنهادی در اجرای مدل VGG-11 آموزشیافته برای مجموعه دادۀ CIFAR-10، میتوان انرژی مصرفی عملیات ضرب را 63 درصد کاهش داد؛ در حالی که صحت شبکه نسبت به حالت دقیق فقط 77/0 درصد افت پیدا میکند.https://isee.ui.ac.ir/article_30016_82a388155c18feb21574127464e126dd.pdfدانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-068916320250923Fault-Tolerant Control of a Six-Phase Non-Sinusoidal Permanent Magnet Synchronous Motor with Dual Stator Winding Modular Driveکنترل تحملپذیر خطا در محرکۀ ماژولار موتور سنکرون آهنربای دائم غیرسینوسی ششفاز با سیمپیچی دوبل استاتور19363011810.22108/isee.2025.143586.1716FAداودملکیدانشجوی دکترای قدرت، دانشکدۀ مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران0000-0003-4265-5120ابوالفضلحلوایی نیاسردانشیار قدرت، دانشکدۀ مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران0000-0003-4265-5120Journal Article20241204This paper investigates fault-tolerant control of a six-phase PMSM with dual stator windings. Each phase of this motor's stator consists of two windings that are coaxial and opposite each other relative to the stator center. To maximize drive reliability, a modular structure is used in the design of the stator and the drive system for each motor phase; such that each stator winding can be supplied by a separate single-phase H-bridge inverter, and the inverters for each phase have an independent control system from the other phases. Due to the harmonic nature of the back-EMF voltage of the phases and in order to reduce the generated torque ripple, an optimal harmonic current injection method is introduced. In this method, Quasi-Proportional-Resonant current controllers are used for proper tracking of the harmonic reference currents. Upon the occurrence of a fault and the loss of one or more phases, torque oscillation arises. To eliminate this, a fault-tolerant control method based on adjusting the amplitude and angle of some healthy phases is employed. The performance of the designed control system under various fault conditions is validated by software simulation.این مقاله کنترل تحملپذیر خطا در یک موتور PMSM ششفاز با سیمپیچی دوبل استاتور را بررسی میکند. هر فاز استاتور این موتور از دو سیمپیچ همراستا و مقابل به هم نسبت به مرکز استاتور تشکیل شده است. به منظور بیشینهکردن قابلیت اطمینان محرکه، از ساختار ماژولار در طراحی استاتور و سیستم محرکۀ هر فاز موتور استفاده شده است؛ به نحوی که هر سیمپیچ استاتور امکان تغذیه از یک اینورتر تکفاز پل H مجزا را دارد و اینورترهای هر فاز سیستم کنترل مستقلی نسبت به سایر فازها دارند. با توجه به هارمونیکیبودن ولتاژ ضدمحرکۀ فازها و به منظور کاهش ریپل گشتاور ایجادشده، یک روش تزریق جریان هارمونیکی بهینه معرفی میشود که در آن، برای ردیابی مطلوب جریانهای مرجع هارمونیکی، از کنترلکنندههای جریان شبهتناسبی-رزونانسی استفاده میشود. با وقوع خطا و از دست رفتن یک یا چند فاز، نوسان در گشتاور به وجود میآید که برای حذف آن از یک روش کنترل تحملپذیر خطا بر مبنای اصلاح دامنه و زاویۀ برخی از فازهای سالم بهره گرفته میشود. عملکرد سیستم کنترل طراحیشده در حالات مختلف وقوع خطا، با شبیهسازی نرمافزاری صحهگذاری میشود.https://isee.ui.ac.ir/article_30118_693602d3082a6a5fcc696167d689e5db.pdfدانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-068916320250923Sensorless control of IPMSM in wide range of speed by a hybrid methodکنترل بدون حسگر موتور IPMSM در ناحیۀ وسیع سرعت با استفاده از یک روش ترکیبی37523011010.22108/isee.2025.146005.1753FAمحمدقاسمی وانانیکارشناسی ارشد، گروه مهندسی برق، دانشکدۀ فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایرانبهزادمیرزائیان دهکردیاستاد، گروه مهندسی برق، دانشکدۀ فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایرانآرشکیومرثیاستاد، گروه مهندسی برق، دانشکدۀ فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایرانJournal Article20250719In motor control, relying on sensors to determine motor position and speed introduces several limitations. As a result, numerous studies have explored sensorless control strategies for various types of motors. This paper focuses on estimating motor position and speed without using physical sensors, instead using only the applied voltage and motor current. Broadly speaking, two primary methodologies exist for estimating motor speed and position: one based on system modeling and the other utilizing signal injection techniques. Each method is effective within a specific speed range. To achieve motor control across a wide speed range, however, a hybrid approach combining both methods is required. This research proposes an algorithm that integrates these two approaches by assigning weights to each method's output based on the motor's operating speed. The influence of each method on the final estimated output is directly proportional to its assigned weight. The algorithm is implemented using a hysteresis loop. To assess the performance of the proposed method, the system is simulated in MATLAB/Simulink using the actual parameters of a permanent magnet motor.استفاده از حسگرها برای تعیین موقعیت و سرعت موتور با معایبی متعدد همراه است. به همین دلیل، پژوهشهای فراوانی بر کنترل بدون حسگر انواع موتورها متمرکز شدهاند. در این مقاله، متغیرهای موقعیت و سرعت موتور بدون نیاز به حسگر و فقط با بهرهگیری از ولتاژ اعمالی و جریان موتور تخمین زده میشوند. به طور کلی، دو رویکرد اصلی روش مبتنی بر مدل سیستم و روشهای تزریق سیگنال برای تخمین سرعت و موقعیت موتور توسط پژوهشگران ارائه شدهاند. هر یک از این دو روش در محدودۀ سرعت مشخصی کارایی دارند و برای کنترل موتور در طیفی وسیع از سرعتها، باید به صورت ترکیبی استفاده شوند. در این پژوهش، برای ترکیب بهینۀ این دو رویکرد، الگوریتمی پیشنهاد شده است که با توجه به سرعت موتور، به خروجی هر روش وزنی مشخص اختصاص میدهد. میزان تأثیر هر روش در خروجی نهایی به وزن اختصاصیافته به آن بستگی دارد. این الگوریتم به صورت یک حلقۀ هیسترزیس اجرا شده است. در نهایت، به منظور ارزیابی عملکرد روش پیشنهادی، سیستم در نرمافزار Matlab/Simulink و با استفاده از پارامترهای واقعی یک موتور مغناطیس دائم شبیهسازی شده است.https://isee.ui.ac.ir/article_30110_e462b0c50286c6f7cf69af80133edb5f.pdfدانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-068916320250923Investigating the inequity aversion model in multi-agent reinforcement learning approaches for enhancing power control in wireless cellular networksبررسی مدل تنفر از بیعدالتی در راهکارهای یادگیری تقویتی چندعاملی برای ارتقای کنترل توان در شبکههای سلولی بیسیم53683020210.22108/isee.2025.143537.1715FAفرینازاعلمییان هرندیپژوهشگر پسادکتری، دانشکدۀ مهندسی برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایراناعظم ساداتحسین زاده صلوتیاستادیار، گروه مهندسی برق و کامپیوتر، دانشکدۀ فنی مهندسی گلپایگان، دانشگاه صنعتی اصفهان، گلپایگان، ایرانزینبمالکیدانشیار، دانشکدۀ مهندسی برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایرانپوریارمضیاستادیار، گروه بیولوژی و گروه ریاضی و آمار، دانشگاه کلگری، کلگری، کاناداJournal Article20241211Recently, data-driven deep reinforcement learning algorithms have replaced traditional model-based algorithms in the problem of power allocation in wireless cellular networks. This article focuses on multi-agent reinforcement learning approaches that leverage centralized training and distributed execution. These approaches use an intrinsic reward function to solve the downlink power control problem in a multi-user wireless cellular network, with the aim of maximizing the sum rate. To enhance the quality of the agents' learning and their collaboration and coordination, the inequity aversion model is applied in the structure of multi-agent reinforcement learning methods. This model manipulates the agents' rewards based on the concepts of envy and guilt. The parameters of this model should first be selected properly. Various simulation results indicate that applying the inequity aversion model with appropriately tuned parameters can improve the performance of basic multi-agent reinforcement learning methods in the problem of power control in multi-user wireless cellular networks.چکیده: بهتازگی، الگوریتمهای مبتنی بر دادۀ یادگیری تقویتی عمیق جایگزین الگوریتمهای مبتنی بر مدل سنتی در مسئلۀ تخصیص توان در شبکههای سلولی بیسیم شدهاند. تمرکز این مقاله بر راهکارهای یادگیری تقویتی چندعاملی است که از آموزش متمرکز و اجرای توزیعشده بهره میبرند. در این راهکارها، از یک تابع پاداش داخلی برای حل مسئلۀ کنترل توان لینک پایینرو در یک شبکۀ سلولی بیسیم چندکاربره، با هدف بیشینهسازی نرخ مجموع استفاده میشود. در این راستا، برای بهبود کیفیت یادگیری عاملها و همکاری و هماهنگی میان آنها، مدل تنفر از بیعدالتی در ساختار یادگیری تقویتی چندعاملی اعمال میشود. این مدل بر اساس هر دو مفهوم حسادت و عذاب وجدان، پاداشهای عاملها را با هدف دستیابی به برابری دستکاری میکند. نتایج شبیهسازیهای مختلف نشان میدهد اعمال مدل تنفر از بیعدالتی با پارامترهایی که به طور مناسب تنظیم شدهاند، میتواند عملکرد روشهای یادگیری تقویتی چندعاملی پایه را در مسئلۀ تخصیص توان در شبکههای سلولی بیسیم بهبود بخشد.https://isee.ui.ac.ir/article_30202_140d6699a17e758640f3e52e896783ad.pdfدانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-068916320250923A Single-Phase Grid-Connected Inverter using Unfolding Current Technique at Line Frequency and a Forward Converter with Super-Twisting Sliding Mode Controlاینورتر متصل به شبکۀ تکفاز با روش بازکردن جریان در فرکانس خط و مبدل فوروارد دوکلیده با کنترل مُد لغزشی فراپیچشی69803010210.22108/isee.2025.145521.1742FAرسولزرگردانشجوی دکترا، گروه برق، دانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد، ایراننویدرضاابجدیدانشیار، گروه برق، دانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد، ایرانعباسکارگردانشیار، گروه برق، دانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد، ایرانJournal Article20250608In this paper, a two-stage single-phase grid-connected solar power generation system is proposed and simulated. In the first stage, a two-switch forward converter with super twisting sliding mode control is considered. The sinusoidal current required for injection into the grid is generated by this converter in a rectified form. In the second stage, there is a single-phase inverter that operates at the line frequency using the current unfolding method, which significantly reduces switching losses and does not require sinusoidal pulse width modulation. The contributions of the paper are: the proposal of a two-switch forward converter which does not need the third winding for magnetization reset and snubber circuits, and the design of a robust nonlinear controller which does not need complicated modulations. The controller coefficients have been optimized by the particle swarm optimization algorithm. The proposed system has been simulated once by applying PI control and another time by applying super twisting nonlinear control, and the simulation results have been compared and examined.در این مقاله، یک سیستم تولیدکنندۀ برق خورشیدی تک<strong></strong>فاز متصل به شبکۀ دومرحله<strong></strong>ای پیشنهاد و شبیه<strong></strong>سازی شده است. در مرحلۀ اول، یک مبدل فوروارد دوکلیده با کنترلکنندۀ مُد لغزشی فراپیچشی استفاده شده است. جریان سینوسی مورد نیاز برای تزریق به شبکه توسط این مبدل به صورت یکسوشده ساخته میشود. در مرحلۀ دوم، یک اینورتر تک<strong></strong>فاز موجود است که به روش بازکردن جریان در فرکانس خط کار می<strong></strong>کند که تلفات کلیدزنی را به طرزی جالب توجه کاهش میدهد و به مدولاسیون پهنای پالس سینوسی نیازی ندارد. نوآوریهای مقاله عبارتاند از: پیشنهاد استفاده از مبدل فوروارد دوکلیده که به سیمپیچ سوم برای بازنشانی مغناطیسی هسته و مدارات ضربهگیر نیازی ندارد و طراحی یک کنترلکنندۀ غیرخطی مقاوم که به روشهای مدولاسیون پیچیده نیازی ندارد. با الگوریتم بهینهسازی ازدحام ذرات نیز ضرایب کنترلکننده بهینه شدهاند. سیستم پیشنهادشده یک مرتبه با اعمال کنترل PI و مرتبۀ دیگر توسط اعمال کنترل غیرخطی فراپیچشی شبیهسازی شده است و نتایج شبیه<strong></strong>سازی مقایسه و بررسی شده است. https://isee.ui.ac.ir/article_30102_ad699e8b4c365c853736c425926855d9.pdfدانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-068916320250923An Online Method for Estimating Physical and Virtual Inertia in Power Systems Using Ambient Dataارائۀ یک روش آنلاین به منظور تخمین اینرسی فیزیکی و مجازی در سیستم قدرت با استفاده از دادههای محیطی81983019610.22108/isee.2025.145270.1739FAعلیرضاکاوه یزدیدانشجو کارشناسی ارشد، دانشکده مهندسی برق، دانشگاه یزد، یزد، ایرانمحمد رضامزیدی شرف آبادیاستادیار، دانشکده مهندسی برق، دانشگاه یزد، یزد، ایرانداوودابوترابی زارچیاستادیار، دانشکده مهندسی برق، دانشگاه یزد، یزد، ایرانعلیرضاصدیقیدانشیار، دانشکده مهندسی برق، دانشگاه یزد، یزد، ایرانJournal Article20250514This paper presents a novel model for the simultaneous estimation of physical and virtual inertia in power systems under normal operating conditions. Physical inertia is derived from synchronous generators, while renewable energy sources provide virtual inertia through appropriate control strategies. The proposed model utilizes data recorded by Phasor Measurement Units (PMUs), which offer precise and real-time information about the state of the power network. Using the ssest system identification method in MATLAB, the frequency response functions of both generators and renewable sources are extracted. These functions form the basis for calculating and estimating physical and virtual inertia in different areas of the power system. To evaluate the accuracy and effectiveness of the proposed method, the IEEE 39-bus standard test system is employed. All simulations are conducted in DIgSILENT, and the resulting data are imported into MATLAB for final analysis. The results of extensive studies show that the proposed method, while being robust to noise, can estimate the system inertia accurately, rapidly, and reliably.در این مقاله، یک مدل جدید برای تخمین همزمان اینرسی فیزیکی و اینرسی مجازی در سیستمهای قدرت تحت شرایط بهرهبرداری عادی ارائه شده است. اینرسی فیزیکی ناشی از ژنراتورهای سنکرون است و اینرسی مجازی به کمک منابع انرژی تجدیدپذیر با بهرهگیری از راهکارهای کنترلی مناسب ایجاد میشود. در مدل پیشنهادی، از دادههای ثبتشده توسط واحدهای اندازهگیری فازوری (PMU) استفاده شده است که اطلاعاتی لحظهای و دقیق از وضعیت شبکه فراهم میکنند. سپس، با استفاده از روش شناسایی سیستم ssest در محیط نرمافزار MATLAB، توابع پاسخ فرکانسی مربوط به ژنراتورها و منابع تجدیدپذیر استخراج میشوند. این توابع مبنای محاسبه و تخمین مقدار اینرسی فیزیکی و مجازی در نواحی مختلف سیستم قدرت خواهند بود. به منظور ارزیابی دقت و کارایی روش پیشنهادی، شبکۀ استاندارد 39 شینه IEEE به عنوان سیستم تست استفاده شده است. کلیۀ شبیهسازیها در نرمافزار DIgSILENT PowerFactory انجام و دادههای حاصل برای تحلیل نهایی وارد نرمافزار MATLAB شدهاند. نتایج حاصل از مطالعات متعدد نشان میدهد این روش، ضمن مقاومت مناسب در برابر نویز، قادر است مقدار اینرسی سیستم را به صورت دقیق، سریع و قابلاعتماد تخمین بزند.https://isee.ui.ac.ir/article_30196_a60fa5a1358587cb067a538172aba12d.pdfدانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-068916320250923A Framework for Video-Based Action Quality Assessment Using Sub-Score Learning and Temporal Dependenciesچارچوبی برای ارزیابی کیفیت فعالیت در ویدئو مبتنی بر یادگیری زیرامتیازها و وابستگیهای زمانی991203051810.22108/isee.2026.145975.1751FAمرجانمزروعیگروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایراناحسانفضل ارثیگروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایرانعابدینواحدیانگروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایراناحدهراتیگروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایرانJournal Article20250719Action Quality Assessment (AQA) is an emerging research problem aimed at providing automated, objective evaluation systems with broad applications across various domains. Most existing methods only predict the overall quality score and, due to the lack of fine-grained labels in datasets, are unable to evaluate the sub-stages of an action or provide detailed feedback. In this research, a novel framework for multi-stage action quality assessment is designed, focusing on model interpretability and the modeling of intra-action temporal dependencies in competitive sports videos. Employing a weakly supervised learning approach, the proposed method first divides videos into semantic clips comprising sub-actions and extracts their features. Then, by introducing a sequential pseudo-subscore learning mechanism, it models the causal dependencies among different stages of the movement. Unlike previous methods that assume that sub-actions are independent, the present framework incorporates the physical continuity of the movement into feature representations by injecting information from the preceding stage into the current one. Ultimately, a multi-stage score regression model is employed to predict subscores and provide greater model granularity. Experimental results on the UNLV Diving dataset demonstrate the strong and competitive performance of this method, achieving a Spearman's rank correlation coefficient of 0.90. Furthermore, statistical and visual analyses demonstrate that the subscores generated by the model are highly consistent with the judging criteria of the International Swimming Federation (FINA), effectively reflecting crucial stages such as the "Entry" in the final assessment.ارزیابی کیفیت فعالیت یک مسئلۀ پژوهشی نوظهور با هدف ارائۀ سیستمهای ارزیابی عینی خودکار است و کاربردهایی گسترده در حوزههای مختلف دارد. بیشتر روشهای موجود فقط امتیاز کلی کیفیت را پیشبینی میکنند و به دلیل فقدان برچسبهای ریزدانه در مجموعهدادهها، قادر به ارزیابی مراحل فرعی فعالیت و ارائۀ بازخورد تفصیلی نیستند. در این پژوهش، یک چارچوب نوین برای ارزیابی چندمرحلهای کیفیت فعالیت با تمرکز بر تفسیرپذیری مدل و مدلسازی وابستگیهای زمانی درونی فعالیت در ویدئوهای ورزشی رقابتی طراحی شده است. روش پیشنهادی با رویکرد یادگیری با نظارت ضعیف، ابتدا ویدئوها را به کلیپهای معنایی شامل زیرفعالیتها تقسیم و ویژگیهای آنها را استخراج میکند. سپس، با معرفی یک مکانیسم یادگیری شبهزیرامتیاز متوالی، وابستگیهای علّیومعلولی میان مراحل مختلف حرکت را مدلسازی میکند. برخلاف روشهای پیشین که زیرفعالیتها را مستقل فرض میکنند، چارچوب حاضر با تزریق اطلاعات مرحلۀ قبل به مرحلۀ فعلی، پیوستگی فیزیکی حرکت را در بازنمایی ویژگیها لحاظ میکند. در نهایت، یک مدل رگرسیون امتیازی چندمرحلهای برای پیشبینی زیرامتیازها و ریزدانگی بیشتر مدل به کار گرفته میشود. نتایج آزمایشها بر روی مجموعهدادۀ UNLV-Diving نشاندهندۀ عملکرد مطلوب و رقابتی این روش با دستیابی به ضریب همبستگی رتبۀ اسپیرمن 90/0 است. همچنین، تحلیلهای آماری و بصری اثبات میکنند زیرامتیازهای تولیدشده توسط مدل انطباق زیادی با معیارهای داوری فدراسیون جهانی شنا (FINA) دارند و به طور مؤثر مراحل حیاتی مانند «ورود به آب» را در ارزیابی نهایی بازتاب میدهند.https://isee.ui.ac.ir/article_30518_35222010e3314579b1e659cad95f51e7.pdfدانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-068916320250923Multiclass Diagnosis of Parkinson's Disease Using Deep Learning and Spectrogram Analysis of Speechتشخیص چندکلاسه پارکینسون با استفاده از یادگیری عمیق و تحلیل اسپکتروگرام گفتار1211323052010.22108/isee.2026.147420.1773FAسید محمدجوادی مقدمدانشیار گروه کامپیوتر، دانشکده فنی ومهندسی، دانشگاه بزرگمهر قائنات، قاین، ایرانپریساامنلودانشجوی کارشناسی ارشد گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بزرگمهر قائنات، قاین، ایرانJournal Article20251115Parkinson's disease, as one of the most common progressive neurological disorders, is associated with motor and acoustic abnormalities. Since voice assessments are non-invasive, inexpensive, and readily available, the development of intelligent early diagnosis systems based on speech data has become increasingly important. However, achieving high diagnostic accuracy remains a challenge for these methods. In this study, we present a hybrid deep learning model for the diagnosis of Parkinson's disease. The proposed approach involves extracting Mel spectrograms, applying normalization, and performing targeted data augmentation specifically for the patient class. In the proposed architecture, after training the models to achieve high detection accuracy, the output class is predicted using feature fusion, random dropout, and several deep layers. The evaluation results on an audio dataset demonstrate an accuracy of 98.54% in disease diagnosis, which outperforms previous models. These findings indicate that combining deep learning and speech analysis can provide an effective tool for the accurate and rapid screening of patients with Parkinson's disease.بیماری پارکینسون بهعنوان یکی از شایعترین اختلالات عصبی پیشرونده، با بروز ناهنجاریهای حرکتی و آکوستیکی همراه است. از آنجا که ارزیابیهای صوتی، غیرتهاجمی، کمهزینه و در دسترس هستند، توسعه سامانههای هوشمند تشخیص زودهنگام بر اساس دادههای گفتاری اهمیت فزایندهای یافته است. از طرفی دقت در تشخیص بیماری از جمله چالشهای این روشها میباشد. در این پژوهش، بعد از استخراج اسپکتروگرام مل ، نرمالسازی، و افزایش هدفمند داده ها برای کلاس بیماران، یک مدل ترکیبی مبتنی بر یادگیری عمیق برای تشخیص بیماری پارکینسون ارائه شده است. درمعماری پیشنهادی بعد از اموزش مدل های با بالاترین دقت تشخیص، با استفاده از تکنیک ادغام ویژگیها، حذف تصادفی و چندین لایه عمیق کلاس خروجی پیش بینی میشود. نتایج ارزیابی مدل پیشنهادی بر روی یک مجموعه داده صوتی حاکی از دقت 98.54٪ در تشخیص بیماری می باشد که در مقایسه با مدلهای پیشین عملکرد بهتری داشته است. این یافتهها نشان میدهد که تلفیق یادگیری عمیق و تحلیل گفتار میتواند ابزاری مؤثر در راستای غربالگری دقیق و سریع بیماران مبتلا به پارکینسون فراهم آورد.https://isee.ui.ac.ir/article_30520_45fc5c88112d6802b923cb8308b73f87.pdf