Методы машинного обучения для исследования звуков легких

Скорочена інформація про документ
dc.contributor.authorПорева, Анна Сергеевна
dc.contributor.authorВайтышин, Валентин Игоревич
dc.contributor.authorКарплюк, Евгений Сергеевич
dc.date.accessioned2020-04-23T17:42:48Z
dc.date.available2020-04-23T17:42:48Z
dc.date.issued2017
dc.description.abstractenThe article considers the basic methods of machine learning for applying them to the task of the lungs sounds classifying. A number of signal parameters were obtained on the basis of the lungs sounds set. The task of the study was to classify sounds using five different machine learning methods. It was also necessary to determine from a number of signal parameters those that give the highest accuracy. Thus the seven most diagnostically valuable parameters of lung sounds were found. The results showed that two methods of machine learning — the method of reference vectors and the decision tree method — have the best accuracy. Thus this classification technique can serve as an auxiliary tool for a pulmonary physician to diagnosis.en
dc.description.abstractruВ статье рассматриваются основные методы машинного обучения с целью применения их к задаче классификации звуков легких. На основе базы звуков легких был получен ряд параметров сигналов. Задачей исследования было провести классификацию звуков при помощи пяти различных методов машинного обучения, а также определить из ряда параметров сигналов те из них, которые дают в конечном счете наивысшую точность. Таким образом было найдено семь наиболее диагностически ценных параметров звуков дыхания и выявлено, что два метода машинного обучения—метод опорных векторов и метод дерева принятия решений—показали наилучшие результаты. Таким образом, данная методика классификации может служить вспомогательным инструментом для врача-пульмонолога в постановке диагноза.ru
dc.description.abstractukВ статті розглянуто основні методи машинного навчання з метою застосування їх до задачі класифікації звуків легень. На основі бази звуків легень було отримано ряд параметрів сигналів. Завданням дослідження було провести класифікацію звуків за допомогою п'яти різних методів машинного навчання, а також визначити з ряду параметрів сигналів ті, які дають в кінцевому рахунку найвищу точність. Таким чином було знайдено сім найбільш діагностично цінних властивостей звуків дихання та виявлено, що два методи машинного навчання — метод опорних векторів і метод дерева прийняття рішень — показали найкращі результати. Таким чином, дана методика класифікації може служити як допоміжний інструмент для лікаря-пульмонолога в постановці діагнозу.uk
dc.format.pagerangeС. 41-47uk
dc.identifier.citationПорева, А. С. Методы машинного обучения для исследования звуков легких / Порева А. С., Вайтышин В. И., Карплюк Е. С. // Мікросистеми, Електроніка та Акустика : науково-технічний журнал. – 2017. – Т. 22, № 6(101). – С. 41–47. – Бібліогр.: 18 назв.uk
dc.identifier.doihttps://doi.org/10.20535/2523-4455.2017.22.6.108829
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/33060
dc.language.isoruuk
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, 2017, Т. 22, № 6(101)uk
dc.subjectзвуки легкихru
dc.subjectмашинное обучениеru
dc.subjectклассификаторuk
dc.subjectметод опорных векторовru
dc.subjectметод дерева принятия решенийru
dc.subjectзвуки легеньuk
dc.subjectмашинне навчанняuk
dc.subjectкласифікаторuk
dc.subjectметод опорних векторівuk
dc.subjectметод дерева прийняття рішеньuk
dc.subjectlung soundsen
dc.subjectmachine learningen
dc.subjectclassifieren
dc.subjectsupport vector methoden
dc.subjectdecision tree methoden
dc.titleМетоды машинного обучения для исследования звуков легкихru
dc.title.alternativeМетоди машинного навчання для дослідження сигналів звуків легенівuk
dc.title.alternativeMachine learning methods for the study of the lungsounds signalsen
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
MEA2017_22-6_p41-47.pdf
Розмір:
268.23 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. 22, № 6(101)