دانشگاه سمنانمدل سازی در مهندسی2008-4854248520260622Medical Report Generation for Chest X-rays Using Convolutional Recurrent and Attention-Based Architecturesتولید خودکار گزارش برای تصاویر قفسه سینه با استفاده از ترکیب مدل کانولوشنی بازگشتی و معماری توجه محور1151003310.22075/jme.2025.35811.2749FAفردینقادریگروه مهندسی پزشکی، دانشکده مهندسی پزشکی و مکانیک، دانشگاه صنعتی همدان، همدان، ایرانمحمدباقرخدابخشیگروه مهندسی پزشکی، دانشکده مهندسی پزشکی و مکانیک، دانشگاه صنعتی همدان، همدان، ایرانشهریارجاماسبگروه مهندسی پزشکی، دانشکده مهندسی پزشکی و مکانیک، دانشگاه صنعتی همدان، همدان، ایرانJournal Article20241105Medical images are extensively used in medical science for diagnosis and treatment protocol design. Writing medical reports in text form can be error-prone for inexperienced physicians due to the deep understanding of the disease and its analysis. It is also time-consuming and laborious for experts due to the large number of patients they see in a day. Also, the existence of template reports for physicians can significantly increase their accuracy in diagnosing diseases and reduce errors caused by inattention to details. This research presents a deep learning-based model for the automatic generation of radiology reports. This model is based on a combination of a convolutional recurrent structure and an attention-based architecture called Res-LSTM-Attn. In this model, features are first extracted from medical images using a convolutional residual network, and based on a multi-label word model, a report is predicted. Then, using the LSTM recurrent neural network and multi-head attention layers, the final report is generated. The performance of the proposed models was evaluated based on the BLEU 1-4, ROUGE-L, and CIDEr-D criteria. The results showed that the proposed model outperformed previous studies in generating long reports in terms of CIDEr-D and ROUGE-L metrics, with improvements of 7.2% and 3.2%, respectively.در مطالعات علوم پزشکی، از تصاویر پزشکی برای تشخیص و طراحی پروتکل درمان بیماری ها بصورت گسترده استفاده میشود. برای پزشکان کمتجربه، نوشتن گزارش پزشکی به شکل متنی ممکن است مستعد خطا باشد، زیرا این کار نیازمند درک عمیق نسبت به بیماری و تجزیه و تحلیل آن است. همچنین برای متخصصان، این کار به دلیل تعدد بیمارانی که در یک روز مراجعه میکنند زمانبر و پر زحمت است. از دیدگاه دیگر، وجود گزارش های الگو برای پزشکان میتواند به میزان قابل توجهی دقت آن ها را در تشخیص بیماری افزایش دهد و خطای ناشی از عدم توجه به جزئیات را کاهش دهد. این پژوهش یک مدل مبتنی بر یادگیری عمیق را برای تولید خودکار گزارشهای تصاویر رادیولوژی ارائه نموده است. این مدل بر پایه ترکیب یک ساختار کانولوشنی بازگشتی و معماری توجه محور است که با نام Res-LSTM-Attn معرفی گردیده است. در این مدل ابتدا از تصاویر پزشکی با استفاده از شبکه عصبی کانولوشنی رِزنت ویژگی ها استخراج خواهند شد و بر اساس یک مدل چند برچسبی کلمات یک گزارش پیش بینی خواهند شد. در ادامه با استفاده از شبکه عصبی بازگشتی LSTM و لایه های توجه چندسر گزارش نهایی تولید میشود. عملکرد مدل های پیشنهادی بر اساس معیارهای BLEU 1-4 و ROUGE-L و CIDEr-D مورد ارزیابی قرار گرفت. نتایج نشان داد مدل پیشنهادی از نظر معیار CIDEr-D و ROUGE-L در تولید گزارشات طولانی بر مطالعات پیشین غلبه کرده است و این مقادیر بترتیب به میزان 7/2 و 3/2 درصد بهبود یافته اند.https://modelling.semnan.ac.ir/article_10033_41101360e626f48bd8cfd01709346403.pdfدانشگاه سمنانمدل سازی در مهندسی2008-4854248520260622Applying Dictionary Learning Algorithms In Sparse Representation of Speech Signalsبکارگیری الگوریتمهای یادگیری واژهنامه در بازنمایی تُنُک دادگان گفتاری17321002610.22075/jme.2025.34065.2663FAناصرشرفیدانشکده فنی و مهندسی، گروه مهندسی برق الکترونیک، دانشگاه لرستان، خرم آباد، ایرانسلمانکریمیدانشکده فنی و مهندسی، گروه مهندسی برق الکترونیک، دانشگاه لرستان، خرم آباد، ایرانسمیرامودتیدانشکده مهندسی و فناوری، دانشگاه مازندران، بابلسر، ایرانJournal Article20240507As a widely used technique in signal processing, Sparse representation has gained significant attention in various fields, including data compression, noise reduction in speech and image signals, pattern recognition, and other signal processing-related issues. In such representations, signals are linearly combined using a small number of dictionary atoms, leading to data dimensionality reduction and improved signal processing efficiency. To accurately represent speech data, an appropriate dictionary is required to effectively represent speech signals' characteristics. In this paper, dictionaries are trained using dictionary learning algorithms and sparse representations such as MOD, K-SVD, RAMC, UD4-MOD, and OMP, in the time, time-frequency, and wavelet transform domains. The performance of the obtained dictionaries is evaluated using various time-frequency metrics such as RE, MSE, fwSegSNR, SegSNR, PESQ, and STOI. The results demonstrate that employing the K-SVD dictionary learning algorithm in conjunction with the OMP sparse representation algorithm in the STFT domain achieves promising results for speech signal reconstruction.بازنمایی تُنُک به عنوان یکی از روشهای پر کاربرد در پردازش سیگنال، در زمینههای مختلفی مانند فشردهسازی داده، حذف نویز از سیگنالهای گفتاری و تصویری، تشخیص الگو و سایر مسائل مرتبط با پردازش سیگنال مورد توجه قرار گرفته است. در چنین بازنماییهایی، سیگنالها با استفاده از تعداد کمی از اتمهای واژهنامه بهصورت خطی ترکیب میشوند که منجر به کاهش ابعاد داده و بهبود کارایی در پردازش سیگنال میشود. به منظور بازنمایی دقیقتر دادههای گفتاری، نیاز به واژهنامه مناسبی است که بتواند ویژگیهای سیگنال گفتار را به خوبی نمایش دهد. در این مقاله، واژهنامههایی با استفاده از الگوریتمهای یادگیری واژهنامه و بازنمایی تُنُک MOD، K-SVD ،RAMC و UD4-MOD و بازنمایی تُنُک OMP در حوزههای زمان، نمایش زمان-فرکانس و تبدیل موجک آموزش داده میشوند. ارزیابی کارایی واژهنامههای بهدستآمده با استفاده از معیارهای مختلف زمانی و فرکانسی مانند RE، MSE، fwSegSNR، SegSNR، PESQ و STOI انجام شده است. نتایج حاصل، نشان میدهد که بکارگیری الگوریتم یادگیری واژهنامه K-SVD در ترکیب با الگوریتم بازنمایی تُنُک OMP در حوزه STFT نتایج مطلوبی را به منظور بازسازی سیگنال گفتاری به دست میدهد.https://modelling.semnan.ac.ir/article_10026_9126532857e1f38ac32d7e0281e052a7.pdfدانشگاه سمنانمدل سازی در مهندسی2008-4854248520260622Agent-Based Modeling of Herbal Compound Treatment for Allergic Inflammation in Asthmaمدلسازی مبتنی بر عامل درمان التهاب آلرژیک در آسم توسط ترکیبات گیاهی33521012010.22075/jme.2025.34614.2693FAسولمازنیساری تبریزیگروه برق، دانشکده مهندسی، دانشگاه زنجان، زنجان، ایراناباذرعرب عامریگروه برق، دانشکده مهندسی، دانشگاه زنجان، زنجان، ایران0000-0002-5993-1550سجادحق زاد کلیدبریگروه برق، دانشکده مهندسی، دانشگاه زنجان، زنجان، ایرانJournal Article20240629Asthma is a complex disease characterized by chronic airway inflammation and immune system disorders. Over the years, researchers have explored the potential of plants with anti-allergic and anti-asthmatic properties. In our study, we have developed an agent-based model to simulate the interactions between immune cells and lung tissue during asthma inflammation. This model incorporates the use of herbal medicines as a treatment for asthma, based on both experimental data and previous modeling studies. By estimating the parameters of the model with data from experimental studies on herbal compounds for asthma treatment, we have successfully replicated and simulated outcomes seen in experiments. Our study allows us to delve into various aspects of asthma treatment, including identifying the optimal timing for treatment initiation, assessing the impact of different inflammatory pathways on lung health, and examining the effects of anti-inflammatory pathways. Additionally, we conducted a global sensitivity analysis to pinpoint crucial parameters in the model and explored how removing drug effects on certain pathways affects the model's outputs. Our results not only validate previous experimental studies but also offer valuable insights into asthma pathogenesis and the potential use of herbal medicines as a therapeutic approach.آسم یک بیماری پیچیده است که با التهاب مزمن راه هوایی و اختلال در سیستم ایمنی شناخته می شود. محققان در دهههای اخیر مطالعات زیادی بر روی گیاهان دارای اثرات ضد حساسیت و ضد آسم انجام دادهاند. در این مطالعه، یک مدل مبتنی بر عامل برای شبیهسازی تعاملات بین سلولهای ایمنی و بافت ریه در طول التهاب آسم ارائه شده است. برای اولین بار، درمان آسم با داروهای گیاهی در مدل بر اساس دادههای تجربی و مطالعات مدلسازی قبلی وارد شده است. پارامترهای مدل با استفاده از داده های تجربی از مطالعات آزمایشگاهی در مورد درمان آسم با ترکیبات گیاهی تعیین شده است. خروجیهای مدل ارائه شده با دادههای تجربی مطابقت داشته و به خوبی آن ها را تقلید می کند. با استفاده از مدل، ما چندین پدیده مرتبط با درمان آسم را بررسی کرده ایم: (1) تعیین روز بهینه برای شروع درمان، (2) ارزیابی سهم هر مسیر التهابی در سلامت ریه، (3) ارزیابی اثر مسیرهای ضد التهابی بر سلامت بافت ریه، (4) تجزیه و تحلیل حساسیت سراسری و شناسایی پارامترهای مهم در مدل و (5) بررسی اینکه چگونه حذف اثرات دارو بر مسیرهای پیش التهابی و ضد التهابی بر خروجی مدل تأثیر می گذارد. یافتههای این مقاله مطالعات تجربی موجود را تایید کرده و بینشهای ارزشمندی را در مورد درک بیماری زایی آسم و رویکردهای درمانی بالقوه با استفاده از داروهای گیاهی ارائه میکند.https://modelling.semnan.ac.ir/article_10120_fd9699e10f5672abe6380bdab7e33440.pdfدانشگاه سمنانمدل سازی در مهندسی2008-4854248520260622Determination of Effective Parameters on Flat Plate Collector Performance Using Machine Learning Methodتعیین پارامترهای موثر بر عملکرد کلکتور خورشیدی صفحه تخت با استفاده از روش یادگیری ماشین53651036510.22075/jme.2025.38847.2897FAمهتابسلیمیدانشکده مهندسی مکانیک، دانشگاه سمنان، سمنان، ایرانسعادتزیرکدانشکده مهندسی مکانیک، دانشگاه سمنان، سمنان، ایرانJournal Article20250906In this paper, first, analytical relationships of flat plate collector absorption rate and solar-to-thermal energy efficiency are presented. For the considered collector, without the use of cooling water, the collector stagnation temperature is 132.5 degrees Celsius (absorber plate temperature) and by entering the cooling water of one liter per minute, the absorber plate temperature decreases to 33 degrees Celsius and the collector efficiency reaches to 77%. To predict the collector efficiency, three machine learning models were used: linear, random forest, and decision tree. Seven parameters of solar radiation intensity, collector tilt angle, wind speed, pipe diameter, number of pipes, ambient temperature, and cooling water flow rate, were selected as input parameters. Comparison of the predicted efficiency with actual values showed that the linear model has a weaker evaluation than the other two models. The random forest and decision tree models perform prediction with almost equal ability and high accuracy (the random forest model predicts negligibly better than the decision tree model). In addition, among the input parameters, changes in collector tilt angle, solar radiation and wind speed insignificantly affects the efficiency. The cooling water flow rate has the greatest effect. The pipe diameter, ambient temperature and the number of the tubes, have a moderate effect.در این مقاله، ابتدا روابط تحلیلی میزان جذب و راندمان تبدیل خورشیدی به حرارتی یک کلکتور خورشیدی آورده شده است. برای کلکتور در نظر گرفته شده، بدون استفاده از آب خنککننده، دمای سکون کلکتور 132.5 درجه سانتیگراد میباشد (دمای صفحه جاذب) و با تزریق آب خنککننده به میزان یک لیتر بر دقیقه، دمای صفحه جاذب به 33 درجه سانتیگراد کاهش و راندمان کلکتور به 77% خواهد رسید. برای پیشبینی راندمان کلکتور، سه مدل یادگیری ماشین: خطی، جنگل تصادفی، و درخت تصمیم، به کار برده شد. هفت پارامتر: شدت تابش خورشید، زاویه کلکتور با افق (زاویه نصب کلکتور)، سرعت باد، قطر لولهها، تعداد لولهها، دمای محیط، و دبی آب خنککننده، بعنوان پارامترهای ورودی انتخاب شدند. مقایسه راندمان پیش بینی با مقادیر واقعی نشان داد که مدل خطی دارای ارزیابی ضعیفتری نسبت به دو مدل دیگر است. مدلهای درخت تصمیم و جنگل تصادفی با توانایی تقریبا یکسان و با دقت بالایی پیشبینی را انجام میدهند (مدل جنگل تصادفی با اختلاف ناچیزی بهتر از مدل درخت تصمیم پیشبینی میکند). علاوه بر آن، در میان پارامترهای ورودی، تاثیر تغییرات زاویه نصب، شدت تابش و سرعت باد بر مقدار راندمان خیلی ناچیز است. بیشترین تاثیر را دبی آب خنککننده دارد. قطر لولههای خنککننده، دمای محیط و تعداد لولهها، تاثیر متوسطی دارند.https://modelling.semnan.ac.ir/article_10365_685fac0f05c4ea3842685dbe41229041.pdf