CMU
หลักสูตร
แยกตามคณะ
ค้นหาหลักสูตร
ปริญญาตรี
ปริญญาโท
ปริญญาเอก
หลักสูตรอื่นๆ
|
การศึกษา
การรับสมัครปริญญาตรี
การรับสมัครระดับบัณฑิตศึกษา
การรับสมัครหลักสูตรนานาชาติ
ทุนอธิการบดีมหาวิทยาลัยเชียงใหม่
|
คณะและหน่วยงาน
คณะ
หน่วยงาน
ส่วนงานอื่นๆ
|
TH
EN
CN
TH
EN
CN
หลักสูตร
แยกตามคณะ
ค้นหาหลักสูตร
ปริญญาตรี
ปริญญาโท
ปริญญาเอก
หลักสูตรอื่นๆ
การศึกษา
การรับสมัครปริญญาตรี
การรับสมัครระดับบัณฑิตศึกษา
การรับสมัครหลักสูตรนานาชาติ
ทุนอธิการบดีมหาวิทยาลัยเชียงใหม่
คณะและหน่วยงาน
คณะ
หน่วยงาน
ส่วนงานอื่นๆ
ข่าวสาร
ข่าวงานวิจัยและนวัตกรรม
ข่าวเด่น
ข่าวบุคคลเด่น
รางวัลและความภาคภูมิใจ
ประชุมสัมมนา/กิจกรรมของมหาวิทยาลัย
ภาพข่าวผู้บริหาร
ข่าวรับสมัครงาน
ข่าวจัดซื้อจัดจ้าง
ปฏิทินกิจกรรม
COVID-19 และ PM2.5
เกี่ยวกับ มช.
ประวัติความเป็นมา
60 ปี มช.
ปณิธาน/วิสัยทัศน์/พันธกิจ/ค่านิยมและวัฒนธรรมองค์กร
อำนาจหน้าที่
สัญลักษณ์มหาวิทยาลัย
เกี่ยวกับมช.
ข้อมูลสาธารณะ
CMU 360 องศา
SDGs
โครงสร้างองค์กรและการบริหารมหาวิทยาลัยเชียงใหม่
แผนพัฒนาการศึกษามช. ระยะ 5 ปี
คณะกรรมการสภามหาวิทยาลัย
คณะผู้บริหารมหาวิทยาลัย
ผู้บริหารส่วนงาน
ผู้บริหารหน่วยงาน
สภาพนักงาน
Download CMU Powerpoint Template
ช่องทางการสอบถามข้อมูล (Q&A)
นโยบายคุ้มครองข้อมูลส่วนบุคคล
ติดต่อเรา
เสนอแนะ/ร้องเรียน
ข่าว
นักวิจัย มช. สร้างโมเดลเพื่อตรวจหาโรค (จำแนกระหว่าง ไข้หวัด ไข้หวัดใหญ่ ไข้เลือดออก) ได้อย่างมีประสิทธิภาพ
25 พฤศจิกายน 2565
คณะวิทยาศาสตร์
นายวันเฉลิม นัดดา นักศึกษาระดับปริญญาเอก ภาควิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ มหาวิทยาลัยเชียงใหม่
ร่วมกับ รองศาสตราจารย์ ดร. วราภรณ์ บุญเชียง คณะสาธารณสุขศาสตร์ มหาวิทยาลัยเชียงใหม่ และรองศาสตราจารย์ ดร. เอกรัฐ บุญเชียง ภาควิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ มหาวิทยาลัยเชียงใหม่
ได้ทำการศึกษาวิจัยในหัวข้อ "Influenza, dengue, and common cold detection using LSTM with fully connected neural network and keywords selection"
ในงานวิจัยนี้ ทีมวิจัยได้สร้างโมเดล เพื่อตรวจหาโรคของผู้ป่วย (จำแนกระหว่าง ไข้หวัด ไข้หวัดใหญ่ และไข้เลือดออก) โดยรับข้อความที่แสดงอาการของผู้ป่วย อุณหภูมิร่างกาย อายุ เพศ และเดือนที่ผู้ป่วยรับการรักษา และใช้โมเดล Long Short-term Memory (LSTM) เชื่อมต่อกับกับ Fully Connected Neural Network นอกจากนี้ ยังมีการปรับปรุงวิธีการเตรียมข้อมูล โดยการตัดคำที่ไม่มีความสำคัญสำหรับการจำแนกประเภท เพื่อลดความซับซ้อนของข้อมูล เพื่อป้องกันปัญหาการ overfitting
ผลการวิจัยพบว่า โมเดล Long Short-term Memory (LSTM) เชื่อมต่อกับ Fully Connected Neural Network ทำงานได้ดีกว่าแบบจำลอง LSTM และการตัดคำที่ไม่มีความสำคัญสำหรับการจำแนกประเภท ยังช่วยเพิ่มประสิทธิภาพของแบบจำลองอีกด้วย
งานวิจัยถูกตีพิมพ์ในวารสาร BioData Mining ในปี 2022 (Q1 ISI/Scopus,Impact Factor 4.1)
สามารถอ่านบทความวิจัยได้ที่ DOI:
https://doi.org/10.1186/s13040-022-00288-9
งานวิจัยและนวัตกรรม
บทความ
ข่าวเด่น
แกลลอรี่
×
RoomID:
Room Name:
Description: