دانشگاه اصفهان هوش محاسباتی در مهندسی برق 2821-0689 17 2 2026 08 23 Early Detection of Alzheimer's Disease Using Deep Learning and SMOTE-Based Data Augmentation for Improved MRI Classification تشخیص زودهنگام بیماری آلزایمر با استفاده از یادگیری عمیق و افزایش داده مبتنی بر SMOTE برای بهبود طبقه‌بندی تصاویر MRI 1 14 30787 10.22108/isee.2026.144405.1725 FA سجاد آقاسی جاوید کارشناسی ارشد،گروه مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران محمود محصل فقهی دانشیار،گروه مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران Journal Article 2025 02 18 definitive cure, early diagnosis can significantly slow the disease's progression. In this research, a framework based on transfer learning is presented for diagnosing different stages of Alzheimer's disease from brain MRI images. To reduce the effect of data imbalance, the SMOTE technique was used to balance the classes, and then deep features were extracted using the pre-trained InceptionV3 network. Subsequently, final classification was performed using the DEMNET architecture, which was selected due to its lower number of parameters and strong generalization capability for small medical datasets. Experimental results on the Kaggle dataset showed that the proposed model achieved an accuracy of 98.52%, precision of 98.31%, recall of 98.47%, and an F1-score of 98.39%. Furthermore, the area under the ROC curve (AUC) value was 99%, indicating the model's high discriminative ability in identifying different stages of the disease. A comparison of the results with those obtained without using SMOTE also indicates a significant improvement in all evaluation metrics. The findings suggest that the combination of transfer learning, data balancing, and the lightweight DEMNET architecture can serve as an efficient approach for the automatic diagnosis of Alzheimer's from MRI images. This approach holds promise for application in clinical decision support systems. بیماری آلزایمر شایع‌ترین نوع زوال عقل در جهان است که با وجود نبود درمان قطعی، تشخیص زودهنگام آن می‌تواند روند پیشرفت بیماری را به طرزی چشمگیر کُند کند. در این پژوهش، یک چارچوب مبتنی بر یادگیری انتقالی برای تشخیص مراحل مختلف بیماری آلزایمر از تصاویر MRI مغز ارائه شده است. به‌ منظور کاهش اثر عدم ‌توازن داده‌ها، از تکنیک SMOTE برای متوازن‌سازی کلاس‌ها استفاده شد و سپس، ویژگی‌های عمیق با بهره‌گیری از شبکۀ از پیش ‌آموزش‌دیدۀ InceptionV3 استخراج شدند. در ادامه، طبقه‌بندی نهایی با استفاده از معماری DEMNET انجام شد که به دلیل تعداد پارامتر کمتر و توانایی تعمیم‌پذیری مناسب برای مجموعه‌داده‌های پزشکی کوچک انتخاب شد. نتایج تجربی بر روی مجموعه‌دادۀ Kaggle نشان داد مدل پیشنهادی به دقت برابر 52/98 درصد، صحت برابر 31/98 درصد، معیار پوشش برابر 47/98 درصد و امتیاز F1-score معادل 39/98 درصد دست یافته است. همچنین، مقدار سطح زیر منحنی ROC (AUC) برابر 99 درصد به ‌دست آمد که نشان‌دهندۀ توان تفکیک بسیار زیاد مدل در شناسایی مراحل مختلف بیماری است. مقایسۀ نتایج با حالت بدون استفاده از SMOTE نیز بیانگر بهبود معنادار تمامی معیارهای ارزیابی است. یافته‌های این مطالعه نشان می‌دهد ترکیب یادگیری انتقالی، متوازن‌سازی داده‌ها و معماری سبک DEMNET می‌تواند به‌ عنوان رویکردی کارآمد برای تشخیص خودکار آلزایمر در تصاویر MRI استفاده شود و پتانسیل کاربرد در سامانه‌های تصمیم‌یار بالینی را داشته باشد. https://isee.ui.ac.ir/article_30787_e372b1a32c014af2f5f6c01fbfbda8ef.pdf

دانشگاه اصفهان هوش محاسباتی در مهندسی برق 2821-0689 17 2 2026 08 23 A Data-Driven Chance Constraint Learning Approach for Dynamic Pricing of Operational Flexibility Considering Distribution Networks Security یک رویکرد یادگیری قید شانسی داده‌محور برای قیمت‌گذاری پویای انعطاف‌پذیری بهره‎برداری با در نظر گرفتن امنیت شبکه‌های توزیع 15 30 30880 10.22108/isee.2026.145536.1743 FA میلاد زارعی گلام بحری دانشجوی دکتری، دانشکدۀ فنی مهندسی، دانشگاه لرستان، خرم آباد، ایران امیرحسین عبداللهی نهر خلجی کارشناسی ارشد، دانشکدۀ فنی مهندسی، دانشگاه لرستان، خرم آباد، ایران میثم دوستی زاده دانشیار، دانشکدۀ فنی مهندسی، دانشگاه لرستان، خرم آباد، ایران Journal Article 2025 06 07 The operation of distribution networks, due to uncertainties arising from the presence of renewable resources and responsive loads, requires the provision of flexibility as a novel approach in smart distribution networks. In this paper, flexibility provision is formulated as a bi-level optimization problem. At the upper level, the secure network operation model is presented. This level incorporates incentive pricing tariffs for responsive loads while covering chance constraints that guarantee network security indices. The chance constraints used at this level are modeled to rely on actual data rather than pre-defined probability distributions such as the normal distribution. In the process of converting chance constraints into deterministic constraints, machine learning methods such as linear regression and neural networks are employed. The lower level of the problem addresses the optimization of responsive loads' profit from flexibility provision. To transform the aforementioned bi-level problem into a solvable single-level problem, the lower-level optimization problem is replaced with its global optimality conditions and modeled as an equivalent constraint optimization problem. A 33-bus network with renewable resources is used to evaluate the proposed structure. The results indicate that the reliability of the neural network method in providing flexibility using dynamic tariffs is higher than other methods. بهره‎برداری از شبکه‎های توزیع، به دلیل وجود نایقینی‎های ناشی از حضور منابع تجدیدپذیر و بارهای پاسخ‌گو، مستلزم تأمین انعطاف‏پذیری به عنوان یک رویکرد نوین در شبکه‎های توزیع هوشمند است. در این مقاله، تأمین انعطاف‎پذیری به صورت یک مسئلۀ بهینه‎سازی دوسطحی مطرح می‎شود. در سطح بالای مسئله، مدل بهره‎برداری ایمن از شبکه مطرح می‎شود. در این سطح، ضمن ارائۀ تعرفه‎های قیمتی مشوق برای بارهای پاسخ‌گو، قیود شانسی تضمین‎کنندۀ شاخص‎های امنیت شبکه پوشش داده می‌شوند. قیود شانسی استفاده‌شده در این سطح به گونه‏ای مدل‎سازی می‎شوند که به جای توزیع‎های احتمالی پیش‎فرض مانند توزیع نرمال، بر داده‎های واقعی استوار باشند. در فرایند تبدیل قیود شانسی به قیود معین، از روش‎های مبتنی بر یادگیری ماشین مانند رگرسیون خطی و شبکه‎های عصبی استفاده می‎شود. سطح پایین مسئله به بهینه‎سازی سود بارهای پاسخ‌گو از تأمین انعطاف‎پذیری اختصاص دارد. برای تبدیل مسئلۀ دوسطحی یادشده به یک مسئلۀ تک‌سطحی و قابل حل، مسئلۀ بهینه‌سازی سطح پایین با شرایط بهینگی سراسری آن جایگزین و به صورت یک مسئلۀ بهینه‌سازی با قیود معادل مدل می‌شود. از شبکۀ 33شینه با حضور منابع تجدیدپذیر برای ارزیابی ساختار پیشنهادی استفاده می‌شود. نتایج نشان می‌دهند پایایی روش شبکه‌های عصبی در تأمین انعطاف‌پذیری با استفاده از تعرفه‌های پویا بیشتر از سایر روش‌هاست. https://isee.ui.ac.ir/article_30880_5a05958cddab757e4aac87e056ff414e.pdf