Wyniki wyszukiwania - BazTech

1

Wykorzystanie sieci neuronowej Kohonena do wizualizacji danych MPG

Oszutowska-Mazurek D. A.

Problemy Nauk Stosowanych

|

2016

|

T. 4

19--30

PL

Wstęp i cel: Zastosowanie sieci neuronowych Kohonena zapewnia zmniejszenie wielowymiarowości danych. Wizualizacja w postaci map samoorganizujących się (SOM) jest użytecznym narzędziem do wstępnego kastrowania (grupowania) danych. Materiał i metody: Wizualizację przeprowadzona dla rzeczywistych danych, udostępnionych przez uniwersytet w Kalifornii za pomocą oprogramowania SNNS v.4.3. Głównym celem pracy jest zastosowanie sieci neuronowych Kohonena zapewniające zmniejszenie wielowymiarowości danych. Wyniki: Otrzymano wizualizacje danych wskazujące jednoznacznie na dodatnie i ujemne korelacje danych MPG. Wniosek: Mapy samoorganizujące się mogą być dedykowane wizualizacji danych wielowymiarowych jednak wyniki zależą od sposobu mapowania danych wejściowych, zwłaszcza o charakterze jakościowym, nawet jeśli stosowana jest normalizacja każdego z parametrów.

EN

Introduction and aim: The use of Kohonen neural network ensures the decrease of data multidimensionality. Visualisation called Self organized maps is useful tool for preliminary data clustering. Material and methods: The visualisation of real data set was obtained with the use of program SNNS v.4.3 for real dataset from California University. The main aim of this paper is the use of Kohonen neural network to ensure the reduction of multidimensional data. Results: Obtained visualisations of data indicate unambiguously positive and negative correlations for MPG data Conclusion: Self organising maps could be dedicated to multidimensional data visualisation and preliminary quality assessment, but the results depend on the mapping method of input data, especially quantity type, even if normalisation of every parameter is provided.

2

Nursing logistics activities in massive services

Simić D.

Journal of Medical Informatics & Technologies

|

2011

|

Vol. 18

77--84

EN

Hybrid patient classification system in nursing logistics activities is discussed in this paper. Hybrid classification model is based on two of the most used competitive artificial neural network algorithms that use learning vector quantization models (LVQ) and self-organizing maps (SOM). In general, the history of patient classification in nursing dates back to the period of Florence Nightingale. The first and the foremost condition for providing quality nursing care, which is measured by care standards, and determined by number of hours of actual care, is the appropriate number of nurses. It is possible to discus three types of experimental results. First result type could be assessment for risk of falling measured by Mors scale and pressure sores risk measured by Braden scale. Both of them are assessed by LVQ. Hybrid LVQ-SOM model is used for second result type, which presents the time for nursing logistics activities. The third type is possibility to predict appropriate number of nurses for providing quality nursing care. This research was conducted on patients from Institute of Neurology, Clinical Centre of Vojvodina.

3

Application of SOM in classification of EGG signals

Świerczyński Z., Guszkowski T.

Metrology and Measurement Systems

|

2006

|

Vol. 13, nr 3

279-287

EN

The report presents problems associated with computer aided gastric diagnosis. The subject of the study are electrogastrographic (EGG) signals (non-invasively measured electrical signals generated by the human stomach). The signals were digitally recorded and then parametrized, with linear autoregressive models (AR). The data and parametrization method used in the study were the same as used by the authors in the previous study; therefore here they are only shortly described. The sets of numbers, obtained by these means, were treated as information vectors, and classified with the Self Organizing Map (SOM) classifier. The structure and parameters of the algorithm used for classification of the parametrized EGG data are described. The final efficiency of the whole system (SOM classifier with the parametrization method applied), reaching 80%, is promising. It is similar to the results of other classifiers. The ways to improve the effectiveness are also outlined.

PL

Praca przedstawia problemy związane z komputerowo wspomaganym diagnozowaniem układu pokarmowego. Obiektem badań są tutaj sygnały elektrogastrograficzne - EGG (nieinwazyjnie mierzone sygnały elektryczne generowane przez żołądek człowieka). Sygnały te zostały zarejestrowane cyfrowo a następnie poddane parametryzacji przy pomocy liniowego modelu autoregresyjnego AR. Dane oraz metoda parametryzacji użyta w przedstawionych badaniach zostały opisane w poprzednich pracach autorów, więc tutaj ujęte są jedynie w zarysie. Zestawy liczb otrzymane w wyniku parametryzacji potraktowane zostały jako wektor parametrów i sklasyfikowane przy pomocy klasyfikatora opartego na samoorganizujących się mapach (SOM). W pracy przedstawiono strukturę i parametry użytego algorytmu. Ostateczna skuteczność całego systemu (tj. klasyfikatora SOM oraz zastosowanej metody parametryzacji) wyniosła 80%, co jest wynikiem obiecującym i bardzo podobnym do tych jakie osiągnięto przy zastosowaniu innych metod klasyfikacji. Praca przedstawia również zarys metod poprawy efektywności opisanego systemu.