Zastosowanie klasyfikatora wielu ekspertów do wspomagania diagnostyki skurczu naczyń mózgowych

• Autorzy: Tarasewicz R.

Warianty tytułu

EN

Use of many experts' classifiers to aid of diagnostics of cerebral vasospasm

• Języki publikacji: PL

Abstrakty

PL

W pracy przestawiono wyniki klasyfikacji wielowymiarowych próbek danych, uzyskanych z pomiarów przepływu krwi w środkowej tętnicy mózgowej za pomocą ultrasonografii dopplerowskiej. Do wspomagania diagnostyki skurczu naczyń mózgowych zastosowano klasyfikatory wielu ekspertów, które są zbudowane w oparciu o klasyfikatory hierarchiczne typu HME i zespoły sieci neuronowych. Ekspertami w klasyfikatorze są rozmyte sieci neuronowe typu AN FIS (ang. Adaptive Neuro-Fuzzy Inference System). Opisano budowę klasyfikatora oraz przedstawiono jakość klasyfikacji w zależności od różnych konfiguracji danych wejściowych.

EN

In this study the author presents the use of Many Experts'Classifier for diagnosis of spasm in The Middle Cerebral Artery (MCA). Blood flow velocity in the MCA can be measured with Transcranial Color-Coded Doppler ultrasonography (TCCD). As experts in many experts' classifer there were applied ANFIS (Adaptive Neuro - Fuzzy Inference System). The fuzzy neural network show very good performance in the two-class separation problem, In "no spasm + mild spasm" to "moderate spasm + severe spasm" detection, classification accuracy amounted to 94%. The accuracy was higher than that obtained by the human investigator.

Słowa kluczowe

PL

skurcz naczyń mózgowych; rozmyte sieci neuronowe; klasyfikacja danych medycznych

EN

cerebral vasospasm; fuzzy neural networks; medical data classification

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2005
• Tom: R. 51, nr 9 bis
• Strony: 343--345
• Opis fizyczny: Bibliogr. 8 poz., rys., tab., wzory

Twórcy

autor

Tarasewicz R.

• Politechnika Białostocka, Wydział Elektryczny

Bibliografia

• 1] Jong, J.-S. R., ANFIS: Adaptive-Network-based Fuzzy Inference Systems, IEEE Transactions on Systems, Man, and Cybernetics, 23(3):665-G85, 1993.
• [2] Jordan, M., Jacobs, R.: Hierarchical mixtures of experts and the EM algorithm. Neural Computation, 6:181-214, 1994.
• [3] Kassell N. F., Shaffiey M. E., Shaffrey C. I., Cerebral vasospasm following aneurysmal subarachnoid hemorrhage. W: Apuzzo MLJ (ed), Brain Surgery. Complication avoidance and management, pp. 847-857.
• [4] Marciniak A., Korbicz J., Modularne sieci neuronowe, w; Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. (Red.): Biocybernetyka i Inżynieria biomedyczna 2000. Sieci neuronowe - Tom 6, ss. 135-177. Akademicka Oficyna Wydawnicza Exit, Warszawa 2002.
• [5] Patau K., Korbicz J., Mrugalski M., Sztuczne sieci neuronowe w układach diagnostyki, w: Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W. (Red.): Diagnostyka procesów. Modele. Metody sztucznej inteligencji. Zastosowania, ss. 311-351. WNT, Warszawa 2002.
• [6] Piegat A., Modelowanie i sterowanie rozmyte. Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2003.
• [7] Świercz M., Krejza J., Mariak Z., Bień M., Assessment of the middle cerebral artery spasm with Learning Vector Quantization neural networks. Biocybernetics Biomedical Engineering. 24 (1):3-16, 2004.
• [8] Takagi T., Sugeno M., Fuzzy identification of systems and its applications to modeling and control, IEEE Transactions on Systems, Man, and Cybernetics, 15 (1): 116-132, 1985.