ABSTRACT An unusual condition of the eye called diabetic retinopathy affects the human retina and is brought on by the blood's constant rise in insulin levels. Loss of vision is the result. Diabetic retinopathy can be improved by receiving an early diagnosis to prevent further damage. A cost‐effective method of accumulating medical treatments is through appropriate DR screening. In this work, deep learning framework is introduced for the accurate classification of retinal diseases. The proposed method processes retinal fundus images obtained from databases, addressing noise and artifacts through an improved median filter (ImMF). It leverages the UNet++ model for precise segmentation of the disease‐affected regions. UNet++ enhances feature extraction through cross‐stage connections, improving segmentation results. The segmented images are then fed as input to the improved gannet optimization‐based capsule DenseNet (IG‐CDNet) for retinal disease classification. The hybrid capsule DenseNet (CDNet) classifies disease and is optimized using the improved gannet optimization algorithm to boost classification accuracy. Finally, the accuracy and dice score values achieved are 0.9917 and 0.9652 on the APTOS‐2019 dataset.

Exploring the complex terrain of RPA and blockchain integration, this paper uncovers the possibility of groundbreaking results in various sectors. Integrating these innovative technologies creates a historical chance to intensify efficiency, ensure data security, and promote visibility across various organizational processes. Although this synergy comes with technical challenges requiring complete solutions, the paper pinpoints primary difficulties with an exhaustive analysis of technology stacks, data standardization, scalability, smart contract integration, privacy, interoperability, change management, evolving skill sets, and cost elements. An in-depth investigation highlights the vital roles of collaboration, innovation, and interdisciplinary expertise in addressing the challenges. This paper offers a holistic perspective on the obstacles and solutions associated with integrating RPA and blockchain, empowering organizations to execute this integration and unlock its groundbreaking potential seamlessly.

Due to the progress of communication technologies, diverse information is transmitted in distributed systems via a network model. Concurrently, with the evolution of communication technologies, the attacks have broadened, raising concerns about the security of networks. For dealing with different attacks, the analysis of intrusion detection system (IDS) has been carried out. Conventional IDS rely on signatures and are time-consuming for updation, often lacking coverage for all kinds of attacks. Deep learning (DL), specifically generative methods demonstrate potential in detecting intrusions through network data analysis. This work presents a bidirectional generative adversarial network (BiGAN) for the detection of cyberattacks using the IoT23 database. This BiGAN model efficiently detected different attacks and the accuracy and F-score values achieved were 98.8% and 98.2% respectively.

COPD (Chronic obstructive pulmonary disease), ranking as the 3rd most common cause of death worldwide, frequently goes undiagnosed. Yet, the detection of COPD in its early stages is challenging due to the limited presence or mild nature of initial symptoms. In this work, the DL (deep learning) model DenseNet201 is utilized for classifying COPD using the PFT (Pulmonary Function Test) images. Initially, the pre-processing is carried out using the MF (median filter). After the noise elimination process, automated feature extraction and classification is carried out using the Pre-trained-DenseNet201 with TSA (tunicate search algorithm). The presented model provided satisfactory outcomes, attaining the accuracy of 0.985 and an AUC value of 98.73. These results surpass those reported in prior studies utilizing the similar database. Furthermore, the presented approach exhibits superior performance compared to various contemporary methods trained concurrently. This study represents the inaugural application of the Pre-trained-DenseNet201- with TSA model to this specific dataset for the purpose of COPD identification.

Parkinson’s disease (PD) is a common neuro-degenerative issue, evaluated via the continuous deterioration of motor functions over time. This condition leads to a gradual decline in movement capabilities. For diagnosing clinical set of PDs, medical experts utilize medical observations. These observations are highly based on the expert’s experience and can vary among clinicians due to its subjective nature, leading to differences in evaluation. The gait patterns of individuals with PD typically exhibit distinctions from those of adults. Evaluating these gait malformations not only aids in diagnosing PD but can also enable the categorization of severity stages with respect to symptoms of motor movement. Therefore, this paper introduces a classification of gait model based on the optimized deep learning (DL) model bidirectional gated recurrent unit-artificial hummingbird optimizer (BI-GRU-AHO). The training and testing involved the sequential segmentation of the right and left instances from the signals of vertical ground reaction force (VGRF) based on the identified gait cycle. The outcomes of the proposed BI-GRU-AHO exhibits reliable and accurate assessment of PD and achieved better accuracy of 98.7 %. The proposed model is trained and tested satisfactorily; hence it can be implemented in a real-time environment by integrating the model into a software application or system capable of receiving real-time data from PD patients.

Android mobile phones’ growing popularity has led to developers creating more malicious apps, which can be included in third-party arcades as protected applications. Detecting these malware applications is challenging due to time-consuming and high-cost techniques. This study proposes a robust deep learning (DL) model for detecting adversarial third-party apps using adaptive feature learning. The strategy involves preprocessing raw apk files, extracting permission behavioral features, and using the proposed spatial dropout-assisted convolutional autoencoder (SD_ConvAE) model to determine if the app is benign or malignant. The approach is simulated using a Python tool and assessed using various measures like accuracy, recall, weighted F-score (W-FS), false discovery rate (FDR), and kappa coefficient. The overall accuracies achieved by the developed techniques are about 99.6% and 99% for detecting benign and malignant apps, respectively.

In traditional power systems, distribution networks (DNs) often suffer from significant power losses. However, integrating decentralized sources into these networks not only mitigates these losses but also eases the burden on central power sources. As centralized power plants are frequently located at a distance from consumption centers, incorporating off-grid power sources (OPSs) closer to demand hubs enhances overall system efficiency. This paper focuses on optimizing OPS allocation using the fuzzy spark firefly optimization algorithm (FSFOA). By strategically placing various types of OPS units, the aim is to minimize both real and reactive power losses in the distribution system. The study evaluates system performance metrics, showcasing how different types of OPS optimization affect the network in a range of (11 kV to 13 kV) DN base voltages. The FSFOA offers distinct advantages in efficiently navigating the complex optimization landscape, allowing for the precise placement of OPS to achieve significant improvements in system efficiency and performance. For instance, OPS Type-IV at bus number 6 demonstrates substantial reductions in real power loss by 68.92% to 91.464 kW and in reactive power loss by 62.99% to 73.8374 kVAr, highlighting its effectiveness in managing reactive power and improving overall power factor.