COVID-19 is a novel virus that causes infection in both the upper respiratory tract and the lungs. The numbers of cases and deaths have increased on a daily basis on the scale of a global pandemic. Chest X-ray images have proven useful for monitoring various lung diseases and have recently been used to monitor the COVID-19 disease. In this paper, deep-learning-based approaches, namely deep feature extraction, fine-tuning of pretrained convolutional neural networks (CNN), and end-to-end training of a developed CNN model, have been used in order to classify COVID-19 and normal (healthy) chest X-ray images. For deep feature extraction, pretrained deep CNN models (ResNet18, ResNet50, ResNet101, VGG16, and VGG19) were used. For classification of the deep features, the Support Vector Machines (SVM) classifier was used with various kernel functions, namely Linear, Quadratic, Cubic, and Gaussian. The aforementioned pretrained deep CNN models were also used for the fine-tuning procedure. A new CNN model is proposed in this study with end-to-end training. A dataset containing 180 COVID-19 and 200 normal (healthy) chest X-ray images was used in the study's experimentation. Classification accuracy was used as the performance measurement of the study. The experimental works reveal that deep learning shows potential in the detection of COVID-19 based on chest X-ray images. The deep features extracted from the ResNet50 model and SVM classifier with the Linear kernel function produced a 94.7% accuracy score, which was the highest among all the obtained results. The achievement of the fine-tuned ResNet50 model was found to be 92.6%, whilst end-to-end training of the developed CNN model produced a 91.6% result. Various local texture descriptors and SVM classifications were also used for performance comparison with alternative deep approaches; the results of which showed the deep approaches to be quite efficient when compared to the local texture descriptors in the detection of COVID-19 based on chest X-ray images.

In the last decades, several tools and various methodologies have been proposed by the researchers for developing effective medical decision support systems. Moreover, new methodologies and new tools are continued to develop and represent day by day. Diagnosing of the heart disease is one of the important issue and many researchers investigated to develop intelligent medical decision support systems to improve the ability of the physicians. In this paper, we introduce a methodology which uses SAS base software 9.1.3 for diagnosing of the heart disease. A neural networks ensemble method is in the centre of the proposed system. This ensemble based methods creates new models by combining the posterior probabilities or the predicted values from multiple predecessor models. So, more effective models can be created. We performed experiments with the proposed tool. We obtained 89.01% classification accuracy from the experiments made on the data taken from Cleveland heart disease database. We also obtained 80.95% and 95.91% sensitivity and specificity values, respectively, in heart disease diagnosis.

This paper introduces a methodology based on deep convolutional neural networks (DCNN) for motor imagery (MI) tasks recognition in the brain-computer interface (BCI) system. More specifically, the DCNN is used for classification of the right hand and right foot MI-tasks based electroencephalogram (EEG) signals. The proposed method first transforms the input EEG signals into images by applying the time-frequency (T-F) approaches. The used T-F approaches are short-time-Fourier-transform (STFT) and continuous-wavelet-transform (CWT). After T-F transformation the images of MI-tasks EEG signals are applied to the DCNN stage. The pre-trained DCNN model, AlexNet is explored for classification. The efficiency of the proposed method is evaluated on IVa dataset of BCI competition-III. The evaluation metrics such as accuracy, sensitivity, specificity, F1-score, and kappa value are used for measuring the proposed method results quantitatively. The obtained results show that the CWT approach yields better results than the STFT approach. In addition, the proposed method obtained 99.35% accuracy score is the best one among the existing methods accuracy scores.

Background/Objectives: Epilepsy is a prevalent neurological disorder characterized by seizures that significantly impact individuals and their social environments. Given the unpredictable nature of epileptic seizures, developing automated epilepsy diagnosis systems is increasingly important. Epilepsy diagnosis traditionally relies on analyzing EEG signals, with recent deep learning methods gaining prominence due to their ability to bypass manual feature extraction. Methods: This study proposes a continuous wavelet transform-based depthwise convolutional neural network (DCNN) for epilepsy diagnosis. The 35-channel EEG signals were transformed into 35-channel images using continuous wavelet transform. These images were then concatenated horizontally and vertically into a single image (seven rows by five columns) using Python’s PIL library, which served as input for training the DCNN model. Results: The proposed model achieved impressive performance metrics on unseen test data: 95.99% accuracy, 94.27% sensitivity, 97.29% specificity, and 96.34% precision. Comparative analyses with previous studies and state-of-the-art models demonstrated the superior performance of the DCNN model and image concatenation technique. Conclusions: Unlike earlier works, this approach did not employ additional classifiers or feature selection algorithms. The developed model and image concatenation method offer a novel methodology for epilepsy diagnosis that can be extended to different datasets, potentially providing a valuable tool to support neurologists globally.

The increasing demand for electric vehicles (EVs) requires accurate forecasting to support strategic decisions by manufacturers, policymakers, investors, and infrastructure developers. As EV adoption accelerates due to environmental concerns and technological advances, understanding and predicting this demand becomes critical. In light of these considerations, this study presents an innovative methodology for forecasting EV demand. This model, called EVs-PredNet, is developed using deep learning methods such as LSTM (Long Short-Term Memory) and CNNs (Convolutional Neural Networks). The model comprises convolutional, activation function, max pooling, LSTM, and dense layers. Experimental research has investigated four different categories of electric vehicles: battery electric vehicles (BEV), hybrid electric vehicles (HEV), plug-in hybrid electric vehicles (PHEV), and all electric vehicles (ALL). Performance measures were calculated after conducting experimental studies to assess the model’s ability to predict electric vehicle demand. When the performance measures (mean absolute error, root mean square error, mean squared error, R-Squared) of EVs-PredNet and machine learning regression methods are compared, the proposed model is more effective than the other forecasting methods. The experimental results demonstrate the effectiveness of the proposed approach in forecasting the electric vehicle demand. This model is considered to have significant application potential in assessing the adoption and demand of electric vehicles. This study aims to improve the reliability of forecasting future demand in the electric vehicle market and to develop relevant approaches.