បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការរកឃើញជំងឺផាកឃីនសាន់ (Parkinson's disease) នៅដំណាក់កាលដំបូង ដោយសារតែបច្ចុប្បន្នមិនទាន់មានតេស្តច្បាស់លាស់ណាមួយដែលអាចចាប់យករោគសញ្ញាស្រាលៗបានលឿននិងមានប្រសិទ្ធភាពនោះទេ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានស្នើប្រព័ន្ធវិភាគរូបភាពគំនូរសរសេរដោយដៃ ដោយប្រើប្រាស់បច្ចេកវិទ្យារៀនដោយម៉ាស៊ីន (Machine Learning) ដើម្បីចាប់យករោគសញ្ញាញ័ររបស់អ្នកជំងឺ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Random Forest with HOG (Spiral Drawings) ចំណាត់ថ្នាក់ Random Forest ជាមួយ HOG (ប្រើគំនូររាងស្ពីរ៉ាល់) |
ងាយស្រួលក្នុងការប្រមូលទិន្នន័យ និងមានភាពស៊ាំខ្ពស់ក្នុងការចាប់យកចលនាញ័រ (Shake) ជាងការគូររាងផ្សេងៗ។ | ទាមទារឱ្យអ្នកជំងឺមានសមត្ថភាពមូលដ្ឋានក្នុងការកាន់ប៊ិច ដែលអាចពិបាកសម្រាប់អ្នកជំងឺនៅដំណាក់កាលធ្ងន់ធ្ងរ។ | ទទួលបានអត្រាភាពត្រឹមត្រូវខ្ពស់រហូតដល់ ៨៦,៦៧% (Accuracy) ក្នុងការធ្វើតេស្ត។ |
| Random Forest with HOG (Wave Drawings) ចំណាត់ថ្នាក់ Random Forest ជាមួយ HOG (ប្រើគំនូររាងរលក) |
ជាជម្រើសគំនូរដ៏សាមញ្ញមួយទៀត ដែលជួយផ្ទៀងផ្ទាត់និងបញ្ជាក់បន្ថែមលើរោគសញ្ញាញ័រនៃសាច់ដុំដៃ។ | ផ្តល់នូវអត្រាភាពត្រឹមត្រូវទាបជាងការវិភាគលើគំនូររាងស្ពីរ៉ាល់បន្តិច ដោយសារទម្រង់រលកអាចមានភាពប្រែប្រួលច្របូកច្របល់ច្រើន។ | ទទួលបានអត្រាភាពត្រឹមត្រូវ ៨៣,៣០% (Accuracy) ក្នុងការធ្វើតេស្ត។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះមិនទាមទារធនធានកុំព្យូទ័រធំដុំនោះទេ ដោយសារវាប្រើប្រាស់ក្បួនដោះស្រាយ Machine Learning បុរាណ (Random Forest) ដែលអាចដំណើរការបានយ៉ាងរលូនលើកុំព្យូទ័រទូទៅ។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យតូចមែនទែន (ត្រឹមតែ ១០៨ រូបភាព) ដែលធ្វើឱ្យម៉ូដែលងាយនឹងជួបបញ្ហា Overfitting និងមិនទាន់គ្រប់គ្រាន់ក្នុងការធានាប្រសិទ្ធភាពទូទៅនោះទេ។ សម្រាប់ប្រទេសកម្ពុជា ការយកម៉ូដែលនេះមកប្រើទាមទារឱ្យមានការប្រមូលទិន្នន័យក្នុងស្រុកបន្ថែមទៀត ដើម្បីធានាថាវាឆ្លើយតបទៅនឹងទម្លាប់នៃការកាន់ប៊ិច សម្ពាធដៃ និងកម្រិតអក្ខរកម្មរបស់មនុស្សចាស់នៅកម្ពុជា។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់និងមានប្រយោជន៍ខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ដោយសារវាជាឧបករណ៍ពិនិត្យបឋមដែលមានតម្លៃថោក និងមិនប៉ះពាល់ដល់រាងកាយ (Non-invasive)។
សរុបមក ការអនុវត្តបច្ចេកវិទ្យានេះទាមទារហេដ្ឋារចនាសម្ព័ន្ធតិចតួចបំផុត ប៉ុន្តែអាចជួយលើកកម្ពស់អត្រានៃការរកឃើញជំងឺផាកឃីនសាន់នៅដំណាក់កាលដំបូងក្នុងបរិបទប្រទេសដែលកំពុងអភិវឌ្ឍន៍បានយ៉ាងមានប្រសិទ្ធភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Histogram of Oriented Gradients (HOG) | ជាបច្ចេកទេសក្នុងកុំព្យូទ័រទស្សនៈ (Computer Vision) ដែលប្រើសម្រាប់ទាញយកលក្ខណៈពិសេសពីរូបភាព ដោយវាស់ស្ទង់ទិសដៅនិងកម្លាំងនៃការប្រែប្រួលពន្លឺ (គែមឬស្រមោល) នៃភីកសែល ដើម្បីចាប់យករូបរាងវត្ថុ ឬក្នុងករណីនេះគឺកម្រិតញ័រនៃគំនូររបស់អ្នកជំងឺ។ | ដូចជាការគូសវាសស៊ុមជុំវិញវត្ថុមួយដោយប្រើព្រួញតូចៗដើម្បីបង្ហាញថាតើគែមរបស់វាបែរទៅទិសណាខ្លះ ដែលជួយឱ្យកុំព្យូទ័រស្គាល់រូបរាងវត្ថុនោះបាន។ |
| Random Forest Classifier | ជាក្បួនដោះស្រាយការរៀនដោយម៉ាស៊ីន (Machine Learning) ដែលបង្កើតជាដើមឈើសម្រេចចិត្ត (Decision Trees) ជាច្រើន ហើយជ្រើសរើសចម្លើយចុងក្រោយដោយផ្អែកលើការបោះឆ្នោតភាគច្រើនពីដើមឈើទាំងអស់នោះ ដើម្បីធ្វើចំណាត់ថ្នាក់ទិន្នន័យ (ឧទាហរណ៍៖ ទាយថាជាអ្នកជំងឺ ឬអ្នកមានសុខភាពល្អ)។ | ដូចជាការសួរសំណួរទៅកាន់ក្រុមអ្នកជំនាញច្រើននាក់ ហើយយកចម្លើយណាដែលមានអ្នកគាំទ្រច្រើនជាងគេធ្វើជាការសម្រេចចិត្តចុងក្រោយ។ |
| Feature Extraction | ជាដំណើរការនៃការបំប្លែងទិន្នន័យឆៅ (ដូចជារូបភាពគំនូរ) ទៅជាទិន្នន័យវ៉ិចទ័រដែលមានទំហំតូចជាង ប៉ុន្តែនៅតែរក្សាបាននូវព័ត៌មាននិងលក្ខណៈសំខាន់ៗបំផុត ដើម្បីងាយស្រួលដល់ម៉ាស៊ីនកុំព្យូទ័រក្នុងការរៀននិងវិភាគរកភាពខុសប្រក្រតី។ | ដូចជាការសង្ខេបសៀវភៅក្រាស់មួយក្បាល ឱ្យនៅត្រឹមតែចំណុចសំខាន់ៗ២ ទៅ ៣ទំព័រ ដើម្បីឱ្យអ្នកអានឆាប់យល់ពីសាច់រឿងដោយមិនបាច់អានទាំងអស់។ |
| Confusion Matrix | ជាតារាងម៉ាទ្រីសដែលប្រើសម្រាប់វាយតម្លៃដំណើរការរបស់ម៉ូដែលចំណាត់ថ្នាក់ ដោយបង្ហាញពីចំនួនទិន្នន័យដែលម៉ូដែលទស្សន៍ទាយត្រូវ និងចំនួនដែលទស្សន៍ទាយខុស (True Positive, False Positive, True Negative, False Negative) ដើម្បីគណនាភាគរយនៃភាពត្រឹមត្រូវ។ | ដូចជាតារាងពិន្ទុដែលកត់ត្រាថា តើសិស្សម្នាក់ឆ្លើយត្រូវប៉ុន្មានសំណួរ និងឆ្លើយខុស (ភាន់ច្រឡំ) ប៉ុន្មានសំណួរនៅក្នុងការប្រឡងមួយ។ |
| Pre-processing | គឺជាជំហានដំបូងក្នុងការរៀបចំនិងសម្អាតទិន្នន័យ (ដូចជាការកាត់បន្ថយភាពស្រអាប់ ឬសំឡេងរំខានពីរូបភាព) មុននឹងបញ្ជូនវាទៅឱ្យក្បួនដោះស្រាយម៉ាស៊ីនរៀន ដើម្បីឱ្យលទ្ធផលនៃការវិភាគកាន់តែមានភាពច្បាស់លាស់និងត្រឹមត្រូវ។ | ដូចជាការលាងសម្អាត និងហាន់បន្លែសាច់ឱ្យបានស្អាតល្អ មុននឹងចាប់ផ្តើមចម្អិនម្ហូប។ |
| Median filter | ជាបច្ចេកទេសកាត់បន្ថយរំខាន (Noise) នៅក្នុងរូបភាពឌីជីថល ដោយជំនួសតម្លៃពន្លឺនៃភីកសែលនីមួយៗជាមួយតម្លៃមេដ្យាន (តម្លៃកណ្តាល) នៃភីកសែលដែលនៅជុំវិញវា ដែលមានប្រសិទ្ធភាពខ្ពស់ក្នុងការលុបរំខានប្រភេទអំបិល-ម្រេច (Salt-and-pepper noise) ដោយមិនធ្វើឱ្យគែមរូបភាពព្រិល។ | ដូចជាការសួរអាយុមនុស្សមួយក្រុម រួចយកអាយុអ្នកនៅកណ្តាលគេមកតំណាង ដើម្បីកុំឱ្យទិន្នន័យរងឥទ្ធិពលពីអ្នកដែលចាស់ពេក ឬក្មេងពេកខុសគេក្នងក្រុម។ |
| Support Vector Machine (SVM) | ជាក្បួនដោះស្រាយ Machine Learning សម្រាប់ធ្វើចំណាត់ថ្នាក់ទិន្នន័យ ដោយវាព្យាយាមស្វែងរកបន្ទាត់ ឬប្លង់ (Hyperplane) ដ៏ល្អបំផុតដែលអាចខណ្ឌចែកក្រុមទិន្នន័យពីរប្រភេទឱ្យនៅឆ្ងាយពីគ្នាបំផុត។ | ដូចជាការគូសបន្ទាត់មួយនៅលើដី ដើម្បីបែងចែកក្រុមក្មេងលេងបាល់ទាត់ និងក្រុមក្មេងលេងបាល់ទះ ឱ្យនៅដាច់ពីគ្នាច្បាស់លាស់មិនច្របូកច្របល់គ្នា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
