Кластеризація медико-біологічних сигналів в розпізнавальних системах, що навчаються з учителем

Скорочена інформація про документ
dc.contributor.authorЛагутін, Віталій Васильович
dc.contributor.authorСиротенко, Владислав Ігорович
dc.contributor.authorШачиков, Андрій Дмитрович
dc.contributor.authorШуляк, Олександр Петрович
dc.date.accessioned2020-05-14T16:18:21Z
dc.date.available2020-05-14T16:18:21Z
dc.date.issued2019
dc.description.abstractenRecognition of biomedical signals by the characteristics of their shape using supervised learning algorithms in patient diagnostic systems is considered. The classification of signals is assumed to be known and training samples are assumed to be available. A statistical assessment of the decision fidelity of the types of signals in the control samples by indicators of sensitivity, specificity, general validity is assumed. The principle and procedure for improving the basic signal recognition procedure are disclosed. A software toolkit is developed and researched to identify and implement possible reserves in increasing the fidelity of decisions from a more detailed consideration of the nature and characteristics of the probability distributions of signals in their phase space. For this purpose, clustering of training samples is additionally carried out at locations of their aggregation, separately according to signal classes. Families of cluster standards attached to these locations are formed and they are used to determine the types of incoming signals. The procedures for their processing are getting more complicated. The complexity of training and decision-making is growing. Signal recognition training becomes combined. However, their initial classification, which carries a certain medical meaning, is not violated. The emphasis in decision-making is shifted to comparing recognized signals with nearest standards in their vicinity. Distant standards lose their influence. The development and research are illustrated by examples of recognition of three types of QRS complexes (N, A, and V) in the patient’s electrocardiogram record. The effectiveness of the developed tools is tested on concrete training and control samples in comparison with the basic algorithm.uk
dc.description.abstractruРассматривается распознавание медико-биологических сигналов по характеристикам их формы с помощью алгоритмов, обучаемыми с учителем, в системах диагностики пациентов. Классификация сигналов полагается известной, обучающие выборки – доступными. Предполагается статистическая оценка верности решений о типах сигналов на контрольных выборках по показателям чувствительности, специфичности, общей валидности. Раскрываются принцип и порядок совершенствования взятой за основу базовой процедуры распознавания сигналов. Разрабатывается и исследуется программный инструментарий для выявления и реализации возможных резервов в повышении верности решений за счет более детального учета характера и особенностей вероятностных распределений сигналов в фазовом пространстве. С этой целью раздельно по классам сигналов дополнительно осуществляется кластеризации обучающих выборок на локациях их скопления. Формируются привязанные к этим локациям семейства кластерных эталонов и они используются при определении типов поступающих сигналов. Обучение распознаванию сигналов становится комбинированным. Исходная их классификация, несущая определенный медицинский смысл, не нарушается. Разработки и исследования иллюстрируются примерами распознавания трех типов QRS-комплексов (N, A и V) в записи электрокардиограммы пациента. Результативность применения разработанного инструментария проверяется на конкретных обучающих и контрольных выборках в сравнении с показателями базового алгоритма.uk
dc.description.abstractukРозглядається розпізнавання медико-біологічних сигналів по характеристикам їх форми за допомогою алгоритмів, яких навчають з учителем, в системах діагностики пацієнтів. Класифікація сигналів вважається відомою, навчальні вибірки – доступними. Передбачається статистична оцінка вірності рішень про типи сигналів на контрольних вибірках за показниками чутливості, специфічності, загальною валідності. Розкриваються принцип і порядок вдосконалення взятої за основу базової процедури розпізнавання сигналів. Розробляється і досліджується програмний інструментарій для виявлення і реалізації можливих резервів у підвищенні вірності рішень за рахунок більш детального урахування характеру і особливостей імовірнісних розподілів сигналів в фазовому просторі. З цією метою окремо по класам сигналів додатково здійснюється кластеризації навчальних вибірок на локаціях їх скупчення. Формуються прив'язані до цих локацій сімейства кластерних еталонів і вони використовуються при визначенні типів сигналів, що надходять. Навчання розпізнаванню сигналів стає комбінованим. Вихідна їх класифікація, що несе певний медичний сенс, не порушується. Розробки і дослідження ілюструються прикладами розпізнавання трьох типів QRS-комплексів (N, A і V) в запису електрокардіограми пацієнта. Результативність застосування розробленого інструментарію перевіряється на конкретних навчальних і контрольних вибірках в порівнянні з показниками базового алгоритму.uk
dc.format.pagerangeС. 38-52uk
dc.identifier.citationКластеризація медико-біологічних сигналів в розпізнавальних системах, що навчаються з учителем / Лагутін В. В., Сиротенко В. І., Шачиков А. Д., Шуляк О. П. // Мікросистеми, Електроніка та Акустика : науково-технічний журнал. – 2019. – Т. 24, № 6(113). – С. 38–52. – Бібліогр.: 20 назв.uk
dc.identifier.doihttps://doi.org/10.20535/2523-4455.2019.24.6.196709
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/33455
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/uk
dc.sourceМікросистеми, Електроніка та Акустика : науково-технічний журнал, 2019, Т. 24, № 6(113)uk
dc.subjectдіагностичні системиuk
dc.subjectмедико-біологічні сигналиuk
dc.subjectрозпізнавальні процедуриuk
dc.subjectнавчання з учителемuk
dc.subjectкластеризаціяuk
dc.subjectdiagnostic systemsuk
dc.subjectbiomedical signalsuk
dc.subjectrecognition proceduresuk
dc.subjectsupervised learninguk
dc.subjectclusteringuk
dc.subjectдиагностические системыuk
dc.subjectмедико-биологические сигналыuk
dc.subjectопознавательные процедурыuk
dc.subjectобучение с учителемuk
dc.subjectкластеризацияuk
dc.subject.udc61:681.5uk
dc.titleКластеризація медико-біологічних сигналів в розпізнавальних системах, що навчаються з учителемuk
dc.title.alternativeClustering of Biomedical Signals in Recognition Systems with Supervised Learninguk
dc.title.alternativeКластеризация медико-биологических сигналов в распознавательных системах, обучающихся с учителемuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
MEA2019_24-6_p38-52.pdf
Розмір:
964.26 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Мікросистеми, Електроніка та Акустика: науково-технічний журнал, Т. 24, № 6(113)