Wyniki wyszukiwania - BazTech

1

Porównanie metody kNN i techniki sieci neuronowych w klasyfikacji badań spirometrycznych

Grabska-Chrząstowska J., Libuszowski W., Tomalak W.

Bio-Algorithms and Med-Systems

|

2005

|

Vol. 1, no. 1/2

9--12

PL

Praca przedstawia porównanie sieci neuronowych z metodą najbliższych sąsiadów, zastosowanych do klasyfikacji wyników badania spirometrycznego. Sieci neuronowe okazały się lepszym klasyfikatorem niż metoda kNN.

EN

This paper presents a comparison of neural networks and the kNN method in spirometric tests classification. Neural networks proved to be a better classifier than the kNN method.

2

Weryfikacja użyteczności neuronowych klasyfikatorów wyników badań spirometrycznych

Grabska-Chrząstowska J., Libuszowski W., Tomalak W.

Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

|

2005

|

T. 9, z. 3

655-662

PL

Badanie spirometryczne jest jednym z najpowszechniej wykonywanych badań diagnostycznych w chorobach układu oddechowego. W przypadku astmy i przewlekłej obturacyjnej choroby płuc stanowi istotny element w procesie stawiania diagnozy. Zależności pomiędzy przepływem wydechowym i objętością wydychanego powietrza podczas manewru forsownego wydechu pozwalają na ewentualne stwierdzenie nieprawidłowości w układzie oddechowym. Niniejsza praca ma na celu weryfikację dotychczas stworzonych modeli neuronowych poprzez ocenę działania klasyfikatora neuronowego na nowej grupie danych i sprawdzenia czułości i swoistości wybranej metody klasyfikacji. Dodatkowo, do analiz i porównań zastosowano model oparty na metodzie k-NN (k-nearest neighbours). Okazało się, że we wszystkich modelach po wprowadzeniu nowych danych pogorszyła się wartość parametru swoistości, a co za tym idzie, również jakość klasyfikacji, ale polepszyła się czułość metod.

EN

Spirometric examination is one of the most common tests performed in diagnosing respiratory system disorders. In case of asthma and obstructive pulmonary disease (COPD) it is crucial element of the diagnosing. The analysis of the relationship between forced flows and volumes make possible the identification of the disorders. This work is aimed at the verification of the classifiers based on neural networks, which were evaluated earlier. The evaluation concentrates on specificity and sensitivity of the classification applied to the new set of data. In addition, the k-NN (nearest neighbours) classifier was incorporated in the analysis. The results show worsening of specificity (resulting in poorer quality of classification), but better sensitivity of the methods used.

3

Analiza wpływu parametrów wejściowych na klasyfikację wyników badania spirometrycznego za pomocą sieci neuronowych

Grabska-Chrząstowska J., Libuszowski W., Tomalak W.

Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

|

2004

|

T. 8, z. 3

469-475

PL

Badanie spirometryczne, polegające na pomiarze objętości i przepływów w układzie oddechowym, jest najczęściej wykonywanym badaniem przy podejrzeniu jakichkolwiek zmian w układzie oddechowym spowodowanych przez proces chorobowy. Interpretacja wyniku badania polega najczęściej na porównaniu wyników pomiarów z wartościami należnymi (normami) i ewentualnym rozpoznaniu zaburzenia. Praca przedstawia próbę zastosowania sieci neuronowych z algorytmem wstecznej propagacji do klasyfikacji wyników badania spirometrycznego. Eksperymenty przeprowadzono na podstawie 1803 wyników badań spirometrycznych wykonanych w Zakładzie Fizjopatologii Układu Oddychania Instytutu Gruźlicy i Chorób Płuc w Rabce. Dla sieci o różnej liczbie wejść (zawierających wyniki pomiarów spirometrycznych i parametry antropometryczne badanych) uzyskano zgodność z klasyfikacją przeprowadzoną przez eksperta rzędu 85,4-89,1%.

EN

Spirometric test, during which flows and volumes of respiratory system are measured is one of the most common diagnostic procedures performed to evaluate any changes in the respiratory system. The interpretation of the results is based on the comparison with predicted values and on recognition of eventual disturbance. The paper presents an attempt to use artificial neural networks with back-propagation algorithm to the classification of spirometric examination. The study was performed on the results of 1803 spirometric tests made in Department of Physiopathology of the Respiratory System, Institute for TBC and Lung Diseases, Rabka Branch. For networks of different numbers of inputs (including spirometric parameters and anthropological measurements) the agreement with expert classification ranged 85.4—89.1%.