Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: klasyfikacja arytmii serca

Sortuj według:

Ogranicz wyniki do:

Signal-piloted processing metaheuristic optimization and wavelet decomposition based elucidation of arrhythmia for mobile healthcare

Qaisar Saeed Mian, Khan Sibghatullah I., Dallet Dominique, Tadeusiewicz Ryszard, Pławiak Paweł

Biocybernetics and Biomedical Engineering

2022

Vol. 42, no. 2

681--694

The next generation healthcare systems will be based on the cloud connected wireless biomedical wearables. The key performance indicators of such systems are the compression, computational efficiency, transmission and power effectiveness with precision. The electrocardiogram (ECG) signals processing based novel technique is presented for the diagnosis of arrhythmia. It employs a novel mix of the Level-Crossing Sampling (LCS), Enhanced Activity Selection (EAS) based QRS complex selection, multirate processing, Wavelet Decomposition (WD), Metaheuristic Optimization (MO), and machine learning. The MIT-BIH dataset is used for experimentation. Dataset contains 5 classes namely, ‘‘Atrial premature contraction”, ‘‘premature ventricular contraction”, ‘‘right bundle branch block”, ‘‘left bundle branch block” and ‘‘normal sinus”. For each class, 450 cardiac pulses are collected from 3 different subjects. The performance of Marine Predators Algorithm (MPA) and Artificial Butterfly Optimization Algorithm (ABOA) is investigated for features selection. The selected features sets are passed to classifiers that use machine learning for an automated diagnosis. The performance is tested by using multiple evaluation metrics while following the 10-fold cross validation (10-CV). The LCS and EAS results in a 4.04-times diminishing in the average count of collected samples. The multirate processing lead to a more than 7-times computational effectiveness over the conventional fix-rate counter parts. The respective dimension reduction ratios and classification accuracies, for the MPA and ABOA algorithms, are 29.59-times & 22.19-times and 98.38% & 98.86%.

Współczesne generacje sztucznych sieci neuronowych i ich zastosowania w wybranych problemach klasyfikacji

Linh T.

Prace Naukowe Politechniki Warszawskiej. Elektryka

2004

z. 130

3--99

W rozprawie przedstawiono rozwiązania wybranych rodzajów sztucznych sieci neuronowych w zastosowaniu do zadań klasyfikacji. W szczególności rozważania dotyczą zmodyfikowanych struktur sieci Takagi-Sugeno-Kanga (TSK) bazujących na teorii zbiorów rozmytych oraz sieci wykorzystującej technikę wektorów podtrzymujących (SVM). Zaproponowano modyfikacje struktur sieci TSK i algorytmów uczących zwiększających efektywność klasyfikacji. Rozwiązania autorskie pozwalają uzyskać większą skuteczność klasyfikacji przy dużo mniejszej liczbie parametrów podlegających adaptacji, co oznacza szybsze i bardziej stabilne ich uczenie. W przypadku sieci SVM, autor dokonał krytycznej oceny różnych rozwiązań, dobierając wersję najlepszej dostosowaną do rodzaju rozwiązywanego zadania. Zaproponowane struktury sieciowe zastosowano do rozwiązania dwu zagadnień praktycznych: kalibracji układu "sztucznego nosa" do analizy mieszanin gazowych oraz układu rozpoznającego arytmie serca. Są to trudne zadania klasyfikacyjne, mające dużą wartość aplikacyjną. Dla rozwiązania tych zadań, autor opracował odpowiednie specjalistyczne algorytmy wstępnego przetwarzania sygnałów, generujące zestaw cech tworzących wektor sygnałów wejściowych dla sieci neuronowej. Zastosowanie skutecznych algorytmów wstępnego przetwarzania danych w połączeniu z efektywnymi rozwiązaniami sieci neuronowych pozwoliło uzyskać wyniki na wysokim poziomie, konkurencyjnym w stosunku do uznanych rozwiązań światowych. W pracy omówiono i przeprowadzono eksperymenty numeryczne związane z integracją pojedynczych wyników klasyfikatorów. Integracja taka pozwoliła powiązać wyniki różnych klasyfikatorów,tworząc układ o jeszcze lepszej skuteczności. Rezultaty pracy mają duże znaczenie teoretyczne i potencjalne możliwości zastosowania w praktyce.

Two modern neural network structures applied for the solution of chosen classification problems have been presented in the work. The author has developed the modified Takaga-Sugeno-Kang (TSK) network implementing fuzzy reasoning rules and also the Support Vector Machine (SVM) network. The structure and the learning algorithms of the TSK network have been modified by the author to obtain better results of classifications. In the case of SVM network, different learning algorithms have been verified in order to select the proper one for the experiments concerned in the thesis. The author has considered two practical problems: the calibration of gas mixture sensors in artificial nose arrangement and the automatic analyzer of the heart arrhythmias, based on ECG recorded signals. These problems are known of their difficulties because of fuzziness of recorded signals. To reduce the effect of these inaccuracies, the author has developed specialized different preprocessing methods. The application of such algorithms and the efficient neural network solutions have resulted in a number of high quality results. Additionally, in view of existence of various algorithms and classifiers applied in the solution, their integration algorithm has been proposed. This integration method employs the individual results from elementary classifiers and generates the final, better and more reliable results. The presented novel theoretical results may find practical applications in real life systems.