Wyniki wyszukiwania - Biblioteka Nauki

Ten serwis zostanie wyłączony 2025-02-11.

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

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

1 2005

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Weryfikacja użyteczności neuronowych klasyfikatorów wyników badań spirometrycznych

100%

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

tom T. 9, z. 3

655-662

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.

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.