KaydedilenlerDerginizi ekleyin

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

BİYOMEDİKAL İŞARETLERİN SINIFLANDIRILMASINDA OTOMATİK TEŞHİS SİSTEMLERİNİN BAŞARIMI

Elif ÜBEYLİ
Sayfa
0
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

ÜBEYLİ, E. (2013). BİYOMEDİKAL İŞARETLERİN SINIFLANDIRILMASINDA OTOMATİK TEŞHİS SİSTEMLERİNİN BAŞARIMI. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 22 - Sayı: 3, 0. https://ajindex.com/articles/21117

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. West, D., West, V., “Improving diagnostic accuracy using a hierarchical neural network to model decision subtasks”, International Journal of Medical Informatics, Vol 57, No 1, 41-55, - Kwak, N., Choi, C.-H., “Input feature selection for classification problems”, IEEE Transactions on Neural Networks, Vol 13, No 1, 143-159, 2002.
  2. Übeyli, E.D., Güler, İ., “Feature extraction from Doppler ultrasound signals for automated diagnostic systems”, Computers in Biology and Medicine, Vol 35, No 9, 735-764, 2005.
  3. Chen, K., “A connectionist method for pattern classification with diverse features”, Pattern Recognition Letters, Vol 19, No 7, 545-558, - Jacobs, R.A., Jordan, M.I., Nowlan, S.J., Hinton, G.E., “Adaptive mixtures of local experts”, Neural Computation, Vol 3, No 1, 79-87, 1991.
  4. Jordan, M.I., Jacobs, R.A., “Hierarchical mixture of experts and the EM algorithm”, Neural Computation, Vol 6, No 2, 181-214, 1994.
  5. Güler, İ., Übeyli, E.D., “A mixture of experts network structure for modelling Doppler ultrasound blood flow signals”, Computers in Biology and Medicine, Vol 35, No 7, 565-582, - Soltani, S., “On the use of the wavelet decomposition for time series prediction”, Neurocomputing, Vol 48, 267-277, 2002.
  6. Daubechies, I., “The wavelet transform, timefrequency localization and signal analysis”, IEEE Transactions on Information Theory, Vol 36, No 5, 961-1005, 1990.
  7. Unser, M., Aldroubi, A., “A review of wavelets in biomedical applications”, Proceedings of the IEEE, Vol 84, No 4, 626-638, 1996.
  8. Lehnertz, K., “Non-linear time series analysis of intracranial EEG recordings in patients with epilepsy – an overview”, International Journal of Psychophysiology, Vol 34, No 1, 45-52, 1999.
  9. Güler, İ., Übeyli, E.D., “Adaptive neuro-fuzzy inference system for classification of EEG signals using wavelet coefficients”, Journal of Neuroscience Methods, Vol 148, No 2, 113-121, - Andrzejak, R.G., Lehnertz, K., Mormann, F., Rieke, C., David, P., Elger, C.E., “Indications of nonlinear deterministic and finite-dimensional structures in time series of brain electrical activity: dependence on recording region and brain state”, Physical Review E, 64, 061907, 2001.
  10. Saxena, S.C., Kumar, V., Hamde, S.T., “Feature extraction from ECG signals using wavelet transforms for disease diagnostics”, International Journal of Systems Science, Vol 33, No 13, -1085, 2002.
  11. Foo, S.Y., Stuart, G., Harvey, B., Meyer-Baese, A., “Neural network-based EKG pattern recognition”, Engineering Applications of Artifici