Wyniki wyszukiwania - Biblioteka Nauki

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

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2009

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: polysomnogram

Sortuj według:

Ogranicz wyniki do:

Wykrywanie uzależnienia alkoholowego na podstawie analizy polisomnogramu z wykorzystaniem sieci neuronowych

100%

Lewenstein K. , Ślubowska E. , Ślubowski R.

2009

tom R. 85, nr 9

226-231

W pracy przedstawiono wyniki zastosowania sztucznych sieci neuronowych (ANN) do diagnozowania uzależnienia alkoholowego na podstawie analizy snu. Standardowe zapisy snu zwane polisomnogramami pobrane od 172 osób w połowie zdrowych a w połowie uzależnionych, mężczyzn i kobiet, zostały odpowiednio przetworzone na parametry charakteryzujące pacjentów i zebrane w bazie danych. W naszych badaniach z systemami ANN zestawy danych opisujących pacjenta zostały zoptymalizowane i uproszczone. Z początkowych 26 parametrów udało się zejść do 6 naprawdę niezbędnych do postawienia diagnozy znacznie trafniejszej niż dokonywana przez lekarza (ok. 70%). Nasze systemy neuronalne zweryfikowane 20-podziałową oceną krzyżową pozwoliły osiągnąć trafność wskazania uzależnienia bliską 90%.

The paper presents the outcomes of the neural networks (ANN) application in diagnosing alcohol addiction on the basis of the sleep analysis. Common sleep records, called polysomnograms of 172 people (men and women, half of them healthy, another half- addicted)were then adequately processed into parameters, which are characteristic for the patients and gathered in the data base. In our research including ANN systems, the data describing particular patients is optimized and simplified. The initial 26 parameters were reduced to the most essential 6, which are crucial in making diagnosis much more accurate than those given by a doctor (about 70%). Our neural systems verified by 20 fold cross validation allowed us to reach the accuracy in detecting addiction on the level of about 90 %.