Біомедична інженерія і технологія, № 11
Постійне посилання зібрання
Переглянути
Перегляд Біомедична інженерія і технологія, № 11 за Ключові слова "004.81 + 616-006"
Зараз показуємо 1 - 2 з 2
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Класифікація туберкульозних уражень легень методом позиційного голосування за даними компютерної томографії(КПІ ім. Ігоря Сікорського, 2023) Матвійчук, Олександр; Настенко, Євген АрнольдовичУ дослідженні розглядається розробка процесу класифікації хіміочутливого та хіміорезистентного туберкульозу. Система що реалізує даний процес складається з двох етапів: відбору інформативного ансамблю ознак та навчання класифікатора. Відбір інформативного ансамблю ознак відбувається на зображеннях компʼютерної томографії легень за допомогою матриць текстурних характеристик. Отримані ознаки фільтруються методом клас орієнтованої селекції в інформативний ансамбль. Навчання класифікатора “Random Forest” відбувається на сформованому селекцією ансамблі. До методу голосування “Random Forest“ запропоновано покращення, яке оптимізує структуру та параметри функції голосування, та персоналізує сформований колектив голосуючих експертів .Дана система голосування збільшує точність класифікації на 5%, Система класифікації на виділених областях інтересу досягла точності у 88%. Результати демонструють ефективність реалізованого рішення при розв’язанні задачі класифікації типів ураження легень: «хіміочутливий», «хіміорезистентний».Документ Відкритий доступ Оптимізація результатів моделювання шляхом розбиття вибірок за критерієм подібності відстані Махаланобіса(КПІ ім. Ігоря Сікорського, 2023) Гупало, М. С.; Павлов, В. А.; Настенко, Є. А.; Корнієнко, Г. А.Методи створення класифікаційних, апроксимаційних та прогностичних моделей включають процедури розділення робочого набору даних на технологічні частини, які використовуються для розрахунку параметрів, верифікації структури та завершальної оцінки якості моделей. Саме універсальність застосування даних процедур визначає виняткову актуальність вирішення завдання забезпечення ефективності розділення робочого набору даних на технологічні частини з точки зору якості результатів моделювання. Існуючі підходи до розбиття даних не забезпечують стійкої ефективності при побудові моделей (метод простого випадкового відбору, метод проб і помилок, тощо), або є ефективними, однак обмеженими використанням певних типів набору даних (зручний і систематичний відбори, тощо). В роботі для вирішення проблеми пропонується застосувати процедури розподілу даних на основі критерію подібності відстані Махаланобіса, що забезпечує збереження властивості відхилень об’єктів основної робочої вибірки для всіх технологічних підвибірок в умовах нерівних дисперсій змінних та корельованості простору ознак. Оскільки універсальним і найчастіше застосованим методом розбиття даних в даний час є метод випадкового відбору, у роботі саме з ним порівнюється ефективність пропонованого підходу. Аналіз підходів здійснений на даних для прогнозування рівня смертності від раку в округах США, що взяті з ресурсу data.world, та класифікації серцевої недостатності - з ресурсу Kaggle. Порівняння проведено для методів k-найближчих сусідів, логістичної регресії, методу групового урахування аргументів в завданні класифікації та методів k-найближчих сусідів, екстремального градієнтного підсилення (XGB), підвищення градієнта на основі алгоритму дерева рішень (LGBM) в задачі апроксимації. Результати аналізу показали перевагу пропонованого у роботі підходу розбиття даних відповідно до критерію подібності відстані Махаланобіса.