Dobór cech diagnostycznych dla klasyfikatora SVM w zadaniu klasyfikacji stanu przetoki tętniczo-żylnej na podstawie sygnału akustycznego

• Autorzy: Grochowina M. , Leniowska L.

Warianty tytułu

EN

The selection of features for the SVM classifier in the arteriovenous fistula state estimation on the basis of acoustic signal

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono proces selekcji cech diagnostycznych dla klasyfikatora SVM. Badania przeprowadzone zostały z użyciem zbioru danych zawierającego próbki sygnału dźwiękowego emitowanego przez przetokę tętniczo-żylną. Celem prac było stworzenie rozwiązania klasyfikacji wieloklasowej w oparciu o klasyfikator z rodziny SVM pozwalającego na skuteczną i wiarygodną ocenę stanu przetoki tętniczo-żylnej.

EN

The paper presents the process of selection diagnostic features for SVM classifier. The study was conducted with using a data set containing samples of the sound signal emitted by the arteriovenous fistula. The objective was to create a solution multi-class classification based on SVM classifier family allowing for an effective and reliable evaluation of the arteriovenous fistula state.

Słowa kluczowe

PL

klasyfikator SVM; przetoka tętniczo-żylna; selekcja cech

EN

SVM classifier; arteriovenous fistula; features selection

• Wydawca: Jacek Doskocz
• Czasopismo: Acta Bio-Optica et Informatica Medica. Inżynieria Biomedyczna
• Rocznik: 2016
• Tom: Vol. 22, nr 4
• Strony: 207--212
• Opis fizyczny: Bibliogr. 9 poz.

Twórcy

autor

Grochowina M.

• Uniwersytet Rzeszowski, Wydział Matematyczno-Przyrodniczy, Katedra Mechatroniki i Automatyki, 35-959 Rzeszów, al. Rejtana 16c

autor

Leniowska L.

• Uniwersytet Rzeszowski, Wydział Matematyczno-Przyrodniczy, Katedra Mechatroniki i Automatyki, 35-959 Rzeszów, al. Rejtana 16c

Bibliografia

• [1] J. Weston, S. Mukherjee, O. Chapelle, M. Pontil, T. Poggio, V. Vapnik: Feature selection for SVMs, Neural Information Processing Systems Foundation, 2000.
• [2] C. Cortes, V. Vapnik: Support-vector networks, Machine learning, vol. 20(3), 1995, s. 273−297.
• [3] R.E. Fan, R.H. Chen, C.J. Lin: Working set selection using second order information for training support vector machines, The Journal of Machine Learning Research, vol. 6, JMLR org, 2005, s. 1889–1918.
• [4] M. Grochowina, L. Leniowska, P. Dulkiewicz: Application of Artificial Neural Networks for the Diagnosis of the Condition of the Arterio-venous Fistula on the Basis of Acoustic Signals, Brain Informatics and Health, Springer, 2014, s. 400–411.
• [5] M. Grochowina, L. Leniowska, P. Dulkiewicz: Comparison of SVM and k-NN classifiers in the estimation of the state of the arteriovenous fistula problem, Computer Science and Information Systems (FedCSIS), 2015 Federated Conference on, IEEE, 2015, s. 249–254.
• [6] M. Grama, J. Tranholm Olesena, H.Ch. Riisa, M. Selvaratnama, M. Urbaniaka: Stenosis detection algorithm for screening of arteriovenous fistulae, 15th Nordic-Baltic Conference on Biomedical Engineering and Medical Physics (NBC 2011), Springer, 2011, s. 241–244.
• [7] “WEKA documentation,” http://www.cs.waikato.ac.nz/ml/weka/documentation.html
• [8] R.R. Bouckaert, E. Frank, M. Hall, R. Kirkby, P. Reutemann, A. Seewald, D. Scuse: “WEKA Manual,” University of Waikato, 2013.
• [9] M. Grochowina, L. Leniowska: The new method of the selection of features for the k-NN classifier in the arteriovenous fistula state estimation, Computer Science and Information Systems (FedCSIS), 2016 Federated Conference on. IEEE, 2016.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).