Wyniki wyszukiwania - BazTech

1

Klasyfikacja wzrokowych potencjałów wywołanych w oparciu o dekompozycję wielorozdzielczą i sieć SVM

Dobrowolski A. P.

Elektronika : konstrukcje, technologie, zastosowania

|

2016

|

Vol. 57, nr 2

42--46

PL

W elektrofizjologicznym badaniu wzroku najczęściej wykorzystuje się wzrokowe potencjały wywołane, które charakteryzują się kolejno ułożonymi w funkcji czasu ekstremami, zwanymi falami lub załamkami. Morfologia przebiegu, a w szczególności zależności czasowe i amplitudowe poszczególnych fal, umożliwiają neurologowi postawienie diagnozy, co nie jest zadaniem prostym. Wymaga od neurologa doświadczenia, skupienia uwagi i bardzo dobrej percepcji. W celu wsparcia procesu diagnostycznego autor opracował algorytm realizujący zautomatyzowaną klasyfikację słuchowych potencjałów wywołanych do grupy przypadków patologicznych lub prawidłowych. Czułość metody w 100 osobowym zbiorze przypadków określono na 94%, przy 16% prawdopodobieństwie fałszywego alarmu, co z medycznego punktu widzenia jest wynikiem satysfakcjonującym.

EN

In electrophysiological examination of sight are most often used visual evoked potentials which are characterized by extremes, called waves, successively arranged on timeline. Morphology of the waveforms, in particular, the timing and amplitude of each wave, allow neurologist diagnosis, which is not an easy task. Neurologist requires experience, attention and very good perception. In order to support the diagnostic process, the author have developed an algorithm implementing the automated classification of visual evoked potentials to the group of pathological or physiological cases. For a set of cases numbering 100 people, the sensitivity of the method is 94%, with 16% probability of false alarm. The obtained result is satisfactory from a medical point of view.

2

Klasyfikacja słuchowych potencjałów wywołanych w oparciu o dekompozycję falkową i sieć SVM

Suchocki M., Dobrowolski A., Majda-Zdancewicz E., Tomczykiewicz K.

Biuletyn Wojskowej Akademii Technicznej

|

2015

|

Vol. 64, nr 4

117-129

PL

W elektrofizjologicznej ocenie słuchu oraz diagnozowaniu uszkodzeń pnia mózgu najczęściej wykorzystuje się słuchowe potencjały wywołane pnia mózgu o krótkiej latencji. Charakteryzują się one kolejno ułożonymi w funkcji czasu maksimami, zwanymi załamkami lub falami. Morfologia przebiegu, a w szczególności zależności czasowe i amplitudowe poszczególnych załamków, umożliwiają neurologowi postawienie diagnozy, co nie jest zadaniem prostym. Wymaga od neurologa doświadczenia, skupienia uwagi i bardzo dobrej percepcji. W celu wsparcia procesu diagnostycznego autorzy opracowali algorytm realizujący zautomatyzowaną klasyfikację słuchowych potencjałów wywołanych do grupy przypadków patologicznych i fizjologicznych, z czułością i specyficznością określoną na niezależnej grupie testowej liczącej 50 przypadków, wynoszącą odpowiednio 84% i 88%.

EN

For electrophysiological hearing assessment and diagnosis of brain stem lesions, the most often used are auditory brainstem evoked potentials of short latency. They are characterized by successively arranged maxima as a function of time, called waves. Morphology of the course, in particular, the timing and amplitude of each wave, allow a neurologist to make diagnose, what is not an easy task. A neurologist should be experienced, concentrated, and should have very good perception. In order to support his diagnostic process, the authors have developed an algorithm implementing the automated classification of auditory evoked potentials to the group of pathological and physiological cases, the sensitivity and specificity determined for an independent test group (of 50 cases) of respectively 84% and 88%.

3

Badania eksploatacyjne czterosensorowego detektora upadków

Wójtowicz B., Dobrowolski A. P.

Biuletyn Wojskowej Akademii Technicznej

|

2015

|

Vol. 64, nr 2

45-58

PL

Zaprezentowane w niniejszym artykule badania stanowią kontynuację dotychczasowych prac mających na celu opracowanie mobilnego detektora upadków. Przedstawiony algorytm opiera się na dyskretnej transformacji falkowej sygnałów z dostępnych w detektorze sensorów oraz pojedynczym klasyfikatorze w postaci sieci wektorów nośnych - SVM (ang. Support Vector Machine). Do procesu redukcji cech zastosowano miarę istotności Fishera. W wyniku zmniejszenia liczby cech zmniejszeniu uległa również liczba wektorów nośnych sieci SVM, mająca bezpośredni wpływ na górne oszacowanie błędu klasyfikacji. Na podstawie otrzymanych wyników wyznaczono parametry klasyfikatora pozwalające na zaprezentowanie opracowanej koncepcji w polu krzywych ROC (ang. Receiver Operating Characteristics) oraz porównanie ich z wynikami otrzymanymi dla pojedynczych sensorów detektora. Opracowana koncepcja daje zdecydowanie lepsze rezultaty niż każdy z sensorów działający niezależnie. Rezultaty przeprowadzonych badań dały bardzo dobre wyniki w porównaniu z dotychczasowymi wynikami, przy znacznej redukcji liczby wymaganych deskryptorów. Z uwagi na ścisłą zależność pomiędzy liczbą danych uczących oraz liczbą wektorów nośnych, które bezpośrednio wpływają na górne oszacowanie błędu klasyfikacji, dokonano redukcji deskryptorów. W rezultacie uzyskano zadowalające efekty przy redukcji liczby deskryptorów z 38 do zaledwie 6, zapewniając, że górne oszacowanie błędu klasyfikacji, w zbiorze nowych danych testowych nie przekracza 5,3%.

EN

The studies presented in this article are the continuation of previous work to develop a mobile fall detector. The algorithm is based on a discrete wavelet transform of the signals from the sensors available at the detector and a linear support vector machine as a classifier. Fisher score method is used for feature selection in the proposed algorithm. As a result of reducing the number of features, the number of support vectors has been also reduced - it has a direct impact on the upper estimate of the classification error. On the basis of the obtained results, the classifier parameters have been calculated. This allows presenting the developed concept in the field of ROC curves (Receiver Operating Characteristics) and their comparison with the results obtained for individual sensors. The developed concept gives much better results than each of the sensors acting independently. The findings of this study have given very good results in comparison with the previous findings, with a significant reduction in the number of required features. Due to the close relationship between the number of training data and the number of support vectors which directly affect the upper estimate of the classification error, the number of features has been reduced. Finally, satisfactory results have been obtained with the reduction of the number of features from 38 to just six, ensuring that the upper estimation of the classification error in the set of the new test data does not exceed 5.3%.