Fuzzy classification of medical data derived from diagnostic devices

• Autorzy: Byczkowska-Lipińska L. , Wosiak A.

Identyfikatory

DOI

10.15199/48.2016.12.22

Warianty tytułu

PL

Rozmyta klasyfikacja danych medycznych pozyskanych za pomocą urządzeń diagnostyki medycznej

• Języki publikacji: EN

Abstrakty

EN

The research described in this paper concerns fuzzy classification of medical datasets obtained from diagnostic devices. Experimental studies were performed with use of fuzzy c-means algorithm. It was shown that despite the low accuracy of the results, fuzzy classification reduce the risks associated with the loss of internal relationships in the characteristics of the data, and thus increases the chances of finding the pathological cases, as well as taking preventive actions or therapy.

PL

W ramach niniejszej pracy przeprowadzona została klasyfikacja rozmyta w odniesieniu do medycznych zbiorów danych pozyskanych z urządzeń diagnostycznych. Zastosowana została rozmyta metoda k-średnich. Badania wykazały, że pomimo niskiej dokładności rezultatów, klasyfikacja rozmyta zmniejsza ryzyko związane z utratą wewnętrznych zależności w charakterystyce danych, a tym samym zwiększa szanse na stwierdzenie ryzyka patologii i tym samym szybsze podjęcie działań zapobiegawczych lub terapeutycznych.

Słowa kluczowe

EN

fuzzy classification; data mining; fuzzy c-means algorithm; medical data

PL

eksploracyjna analiza danych; klasyfikacja rozmyta; rozmyta metoda k-średnich; dane medyczne

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2016
• Tom: R. 92, nr 12
• Strony: 85--88
• Opis fizyczny: Bibliogr. 30 poz., tab.

Twórcy

autor

Byczkowska-Lipińska L.

• University of Computer Sciences and Skills, ul. Rzgowska 17 a, 93-008 Lodz, Poland

autor

Wosiak A.

• Lodz University of Technology, Institute of Information Technology, ul. Wólczańska 215, 90-924 Lodz, Poland

Bibliografia

• [1] ESFANDIARI, N., BABAVALIAN, M. R., MOGHADAM, A. M. E., AND TABAR, V. K. (2014). Knowledge discovery in medicine: Current issue and future trend. Expert Systems with Applications, 41(9), 4434-4463.
• [2] MAHMOODABADI, S. Z., ALIREZAIE, J., BABYN, P., KASSNER, A. AND WIDJAJA, E. (2010). Wavelets and fuzzy relational classifiers: A novel spectroscopy analysis system or pediatric metabolic brain diseases. Fuzzy sets and systems, 161(1), 75-95.
• [3] GUSTAFSON, D. E., AND KESSEL, W. C. (1978). Fuzzy clustering with a fuzzy covariance matrix." Scientific Systems. Inc., Cambridge, MA.
• [4] KORZENIEWSKA E., DURAJ A., KRAWCZYK A.: Detection of local changes in resistance by means of data mining algorithms. Przegląd Elektrotechniczny, 2014, 90.12: 229- 232.
• [5] LAKSHMI JEETHA, SARAVAN KUMAR, A. SURESH: A novel hybrid medical diagnosis system based on genetic data adaptation decision tree and clustering, ARPN Journal of Engineering and Applied Sciences, VOL. 10, NO. 16, 2015
• [6] WU, C. H., LAI, C. C., CHEN, C. Y., CHEN, Y. H. (2015). Automated clustering by support vector machines with a local-search strategy and its application to image segmentation. Optik-International Journal for Light and Electron Optics, 126(24), 4964-4970.
• [7] PANDEY B., MISHRA R. B.: Knowledge and intelligent computing system in medicine. Computers in biology and medicine, 2009, 39.3, pp. 215-230.
• [8] JEFMAŃSKI, B. (2009). Rozmyte metody klasyfikacji w analizie segmentów rynkowych na przykładzie rynku motoryzacyjnego.
• [9] WIDJAJA M, DARMAWAN A, MULYONO S, Fuzzy classifier of paddy growth stages based on synthetic MODIS data. In Advanced Computer Science and Information Systems (ICACSIS), 2012 IEEE International Conference on; 239-244.
• [10] USHER, J., CAMPBELL, D., VOHRA, J. AND CAMERON, J. (1996). Fuzzy classification of intra-cardiac arrhythmias. In Engineering in Medicine and Biology Society, 1996. Bridging Disciplines for Biomedicine. Proceedings of the 18th Annual International Conference of the IEEE (Vol. 3, pp. 997-998). IEEE.
• [11] ZAMOJSKA J., NIEWIADOMSKA-JAROSIK K., WOSIAK A., LIPIEC P., STAŃCZYK J.: Myocardial dysfunction measured by tissue Doppler echocardiography in children with primary arterial hypertension, Kardiologia Polska 2015, DOI: 10.5603/KP.a2014.0189
• [12] ZAMECZNIK, A., NIEWIADOMSKA-JAROSIK, K., WOSIAK, A., ZAMOJSKA, J., MOLL, J. AND STAŃCZYK J. (2014) Intra-uterine growth restriction as a risk factor for hypertension in children six to 10 years old, Cardiovascular Journal of Africa, 2014, pp. 73-77
• [13] BEZDEK, J. C., EHRLICH, R. AND FULL, W. (1984). FCM: The fuzzy c-means clustering algorithm. Computers and Geosciences, 10(2), 191-203.
• [14] GATH, I., GEVA, A. B. (1989). Fuzzy clustering for the estimation of the parameters of the components of mixtures of normal distributions. Pattern Recognition Letters, 9(2), 77- 86.
• [15] GRAVES D., PEDRYCZ W.: Fuzzy c-means, Gustafson- Kessel FCM, and kernel-based FCM: A comparative study. Analysis and Design of Intelligent Systems using Soft Computing Techniques. Springer Berlin Heidelberg, 2007. pp. 140-149.
• [16] WANG N., LIU X., YIN J.: Improved Gath–Geva clustering for fuzzy segmentation of hydrometeorological time series. Stochastic environmental research and risk assessment, 2012, 26.1: 139-155.
• [17] REZAEE B.: A cluster validity index for fuzzy clustering. Fuzzy Sets and Systems, 2010, vol.161(23), pp. 3014-3025.
• [18] JASZUK M., MROCZEK T.: FRYC, Barbara. Testy porównawcze metod klasteryzacji jako narzędzia identyfikacji grup studenckich oraz tworzenia klas pytań ankietowych. Projekt współfinansowany ze środków Unii Europejskiej z Europejskiego Funduszu Rozwoju Regionalnego oraz z budżetu Państwa w ramach Regionalnego Programu Operacyjnego Województwa Podkarpackiego na lata 2007 – 2013. Inwestujemy w rozwój województwa podkarpackiego.
• [19] MANNING C.D., RAGHAVAN P., SCHÜTZE H.: Introduction to Information Retrieval, Cambridge University Press, New York, NY, USA, 2008
• [20] HANDL J., KNOWLES J., KELL D.B., Computational cluster validation in postgenomic data analysis. Bioinformatics, 21(15) 2005, pp. 3201–3212.
• [21] DUNN J.C.: Well separated clusters and fuzzy partitions. J. Cybernet. (1974) 4:95–104.
• [22] DAVIES D.L., BOULDIN D.W.: A cluster separation measure. IEEE Trans. Pattern Anal. Machine Intell. (1979) 1:224–227.
• [23] ROUSSEEUW P.J.: Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. J. Comput. Appl. Math. (1987) 20:53–65.
• [24] BERNARDES J., Faculdade de Medicina, Universidade do Porto, Porto, Portugal, Reference: D AYRES DE CAMPOS ET AL. (2000) SisPorto 2.0 A Program for Automated Analysis of Cardiotocograms. J Matern Fetal Med 5:311-318
• [25] CIOS K.J., KURGAN L., University of Colorado at Denver, Denver, CO 80217, U.S.A, Reference: KURGAN, L.A., CIOS, K.J., TADEUSIEWICZ, R., OGIELA, M., GOODENDAY, L.S.: Knowledge Discovery Approach to Automated Cardiac SPECT Diagnosis, Artificial Intelligence in Medicine, vol. 23:2, pp. 149-169, 2001
• [26] WITTEN I.H., FANK E.: Data mining: practical machine learning tools and techniques, 2nd edn. Morgan Kaufmann, San Francisco (2005)
• [27] NATICK M.A.: Fuzzy logic toolbox for use with Matlab, The MathWorks Inc., 1998
• [28] STANISZ A., TADEUSIEWICZ R.: Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. StatSoft, 2007.
• [29] MȨŻYK E., UNOLD O.: Mining fuzzy rules using an Artificial Immune System with fuzzy partition learning. Applied Soft Computing, 2011, 11.2: 1965-1974.
• [30] MEGED A., GELBARD R.: Adjusting Fuzzy Similarity Functions for use with standard data mining tools. Journal of Systems and Software, 2011, 84.12: 2374-2383.