Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Journal of Computer Sciences Institute

2 2023

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Comparison of shallow and deep learning methods of ECG signals classification for arrhythmia detection

Nugrahadi Dodon Turianto, Herteno Rudy, Kartini Dwi, Haekal Muhammad, Faisal Mohammad Reza

Journal of Computer Sciences Institute

2023

Vol. 27

132--137

The research aimed to compare the classification performance of arrhythmia classification from the ECG signal dataset from the Massachusetts Institute of Technology–Beth Israel Hospital (MIT-BIH) database. Shallow learning methods that were used in this study are Support Vector Machine, Naïve Bayes, and Random Forest. 1D Convolutional Neural Network (1D CNN), Long Short Term Memory (LSTM), and Gated Recurrent Unit (GRU) were deep learning methods that were used for the study. The models were tested on a dataset with 140 samples that were grouped into four class labels, and each sample has 2160 features. Those models were tested for classification performance. This research shows Random Forest and 1D CNN have the best performance.

Badanie ma na celu porównanie wydajności klasyfikacji arytmii na podstawie zestawu danych sygnału EKG z bazy danych Massachusetts Institute of Technology – Beth Israel Hospital (MIT-BIH). W pracy zastosowano następujące metody: Support Vector Machine, Naïve Bayes i Random Forest. Ponadto wykorzystano następujące metody głębokiego uczenia: 1D Convolutional Neural Network (1D CNN), Long Short Term Memory (LSTM) oraz Gated Recurrent Unit (GRU). Modele zostały przetestowane na zbiorze danych zawierającym 140 próbek pogrupowanych w cztery etykiety klas. Każda próbka zawierała 2160 cech. Przeprowadzone testy wydajności klasyfikacji wskazały, że Random Forest i 1D CNN wykazują najwyższą wydajność.

Comparison of Machine Learning Algorithms on Classification of Covid-19 Cough Sounds Using MFCC Extraction

Faisal Mohammad Reza, Hidayat Muhammad Thoriq, Kartini Dwi, Indriani Fatma, Budiman Irwan, Saragih Triando Hamonangan

Journal of Computer Sciences Institute

2023

Vol. 29

399--404

Early detection for COVID-19 has now been widely developed. One of the methods used is cough audio detection. This research aims to classify cough audio. Audio feature extraction is performed using MFCC to obtain numerical features. Feature classification is done using SVM, Random Forest, and Naive Bayes methods. Evaluation is done to find the best classification method. The evaluation results in this study show that SVM Kernel RBF produces the best evaluation value with an AUC value of 0.657715.

Wczesne wykrywanie COVID-19 zostało obecnie szeroko opracowane. Jedną z zastosowanych method jest wykrywanie dźwięku kaszlu. Badania te mają na celu klasyfikację dźwięku kaszlu. Ekstrakcję próbek audio wykonano przy użyciu Mel Frequency Cepstral Coefficients (MFCC) w celu uzyskania cech numerycznych. Klasyfikacja cech odbywa się przy użyciu metod SVM, Random Forest i Naive Bayes. Wyniki oceny w tym badaniu pokazują, że SVM Kernel RBF daje najlepszą wartość oceny z wartością AUC wynoszącą 0.657715.