KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2007 / Cilt: 22 Sayı: 3

BİYOMEDİKAL İŞARETLERİN SINIFLANDIRILMASINDA OTOMATİK TEŞHİS SİSTEMLERİNİN BAŞARIMI

Elif Übeyli
Sayfa
—
Yayın Tarihi
2013-02-15
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmanın sonuçları, farklıöznitelikler ile eğitilen değiştirilmiş uzman ağların karışımı modelinin, birleşik öznitelikler ile eğitilen diğerotomatik teşhis sistemlerine göre yüksek doğruluk elde ettiğini göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, oftalmik atardamar Doppler işaretlerinin, elektroensefalogram (EEG) ve elektrokardiyogram(EKG) işaretlerinin sınıflandırılması için farklı ve birleşik özniteliklerin kullanıldığı otomatik teşhis sistemleriincelenmiş ve bu sistemlerin doğrulukları saptanmıştır.
📊
Temel Bulgular & Veri:Şekil tanımlama uygulamalarında, tanımlanacak olanişlenmemiş işaretten farklı öznitelikler çıkarılır.
💡
Sonuç & Katkı:Bu çalışmanın sonuçları, farklıöznitelikler ile eğitilen değiştirilmiş uzman ağların karışımı modelinin, birleşik öznitelikler ile eğitilen diğerotomatik teşhis sistemlerine göre yüksek doğruluk elde ettiğini göstermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Farklı öznitelikler · birleşik öznitelikler · biyomedikal işaretler

Özet

Bu çalışmada, oftalmik atardamar Doppler işaretlerinin, elektroensefalogram (EEG) ve elektrokardiyogram(EKG) işaretlerinin sınıflandırılması için farklı ve birleşik özniteliklerin kullanıldığı otomatik teşhis sistemleriincelenmiş ve bu sistemlerin doğrulukları saptanmıştır. Şekil tanımlama uygulamalarında, tanımlanacak olanişlenmemiş işaretten farklı öznitelikler çıkarılır. Farklı öznitelikleri olan birden fazla sınıflayıcıyı birleştirme,şekil sınıflamanın birçok alanında problem olarak görülmektedir. Birleşik öznitelikler ile eğitilen çok katmanlıperseptron sinir ağı, birleşik sinir ağı, uzman ağların karışımı ve farklı öznitelikler ile eğitilen değiştirilmişuzman ağların karışımı gibi modellerin sınıflama doğrulukları karşılaştırılmıştır. Otomatik teşhis sistemleriningirişleri, ağ yapılarına göre farklı veya birleşik özniteliklerden oluşmaktadır. Bu çalışmanın sonuçları, farklıöznitelikler ile eğitilen değiştirilmiş uzman ağların karışımı modelinin, birleşik öznitelikler ile eğitilen diğerotomatik teşhis sistemlerine göre yüksek doğruluk elde ettiğini göstermiştir.

🔖

Bu Makaleye Atıf Yap

Übeyli, E. (2013). BİYOMEDİKAL İŞARETLERİN SINIFLANDIRILMASINDA OTOMATİK TEŞHİS SİSTEMLERİNİN BAŞARIMI. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 22 Sayı: 3. https://ajindex.com/articles/1078869

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (77)

  1. West, D., West, V., “Improving diagnostic
  2. accuracy using a hierarchical neural network to
  3. model decision subtasks”, International Journal
  4. of Medical Informatics, Vol 57, No 1, 41-55,
  5. Kwak, N., Choi, C.-H., “Input feature selection for
  6. classification problems”, IEEE Transactions on
  7. Neural Networks, Vol 13, No 1, 143-159, 2002.
  8. Übeyli, E.D., Güler, İ., “Feature extraction from
  9. Doppler ultrasound signals for automated
  10. diagnostic systems”, Computers in Biology and
  11. Medicine, Vol 35, No 9, 735-764, 2005.
  12. Chen, K., “A connectionist method for pattern
  13. classification with diverse features”, Pattern
  14. Recognition Letters, Vol 19, No 7, 545-558,
  15. Jacobs, R.A., Jordan, M.I., Nowlan, S.J., Hinton,
  16. G.E., “Adaptive mixtures of local experts”,
  17. Neural Computation, Vol 3, No 1, 79-87, 1991.
  18. Jordan, M.I., Jacobs, R.A., “Hierarchical mixture
  19. of experts and the EM algorithm”, Neural
  20. Computation, Vol 6, No 2, 181-214, 1994.
  21. Güler, İ., Übeyli, E.D., “A mixture of experts
  22. network structure for modelling Doppler
  23. ultrasound blood flow signals”, Computers in
  24. Biology and Medicine, Vol 35, No 7, 565-582,
  25. Soltani, S., “On the use of the wavelet
  26. decomposition for time series prediction”,
  27. Neurocomputing, Vol 48, 267-277, 2002.
  28. Daubechies, I., “The wavelet transform, timefrequency
  29. localization and signal analysis”, IEEE
  30. Transactions on Information Theory, Vol 36,
  31. , 961-1005, 1990.
  32. Unser, M., Aldroubi, A., “A review of wavelets in
  33. biomedical applications”, Proceedings of the
  34. IEEE, Vol 84, No 4, 626-638, 1996.
  35. Lehnertz, K., “Non-linear time series analysis of
  36. intracranial EEG recordings in patients with
  37. epilepsy – an overview”, International Journal
  38. of Psychophysiology, Vol 34, No 1, 45-52, 1999.
  39. Güler, İ., Übeyli, E.D., “Adaptive neuro-fuzzy
  40. inference system for classification of EEG signals
  41. using wavelet coefficients”, Journal of
  42. Neuroscience Methods, Vol 148, No 2, 113-121,
  43. Andrzejak, R.G., Lehnertz, K., Mormann, F.,
  44. Rieke, C., David, P., Elger, C.E., “Indications of
  45. nonlinear deterministic and finite-dimensional
  46. structures in time series of brain electrical activity:
  47. dependence on recording region and brain state”,
  48. Physical Review E, 64, 061907, 2001.
  49. Saxena, S.C., Kumar, V., Hamde, S.T., “Feature
  50. extraction from ECG signals using wavelet
  51. transforms for disease diagnostics”, International
  52. Journal of Systems Science, Vol 33, No 13,
  53. 1085, 2002.
  54. Foo, S.Y., Stuart, G., Harvey, B., Meyer-Baese,
  55. A., “Neural network-based EKG pattern
  56. recognition”, Engineering Applications of
  57. Artificial Intelligence, Vol 15, 253-260, 2002.
  58. Güler, İ., Übeyli, E.D., “ECG beat classifier
  59. designed by combined neural network model”,
  60. Pattern Recognition, Vol 38, No 2, 199-208,
  61. Goldberger, A.L., Amaral, L.A.N., Glass, L.,
  62. Hausdorff, J.M., Ivanov, P.Ch., Mark, R.G.,
  63. Mietus, J.E., Moody, G.B., Peng, C.K., Stanley,
  64. H.E., Physiobank, Physiotoolkit, and Physionet:
  65. Components of a New Research Resource for
  66. Complex Physiologic Signals, Circulation
  67. , e215-e220 [Circulation Electronic Pages;
  68. (June 13).
  69. http://circ.ahajournals.org/cgi/content/full/101/23/
  70. e215];
  71. Wolpert, D.H., “Stacked generalization”, Neural
  72. Networks, Vol 5, 241-259, 1992.
  73. Übeyli, E.D., Güler, İ., “Improving medical
  74. diagnostic accuracy of ultrasound Doppler signals
  75. by combining neural network models”,
  76. Computers in Biology and Medicine, Vol 35,
  77. , 533-554, 2005.