Дослідження роботи класифікаторів для оптимізації постановки діагнозів бронхолегеневих захворювань
Основний зміст сторінки статті
Анотація
У статті розглянуто можливість застосування класифікаторів, що є основою машинного навчання, для оптімізації постановки діагнозів бронхолегеневих захворювань. Розглянуто роботу декількох класифікаторів, і в результаті дослідження для поставленого завдання обраний класифікатор на основі методу найближчих сусідів. В якості параметрів методу обрані розраховані на основі поліспектрального аналізу чисельні характеристики сигналів звуків дихання. Встановлено, що даний класифікатор є простим для реалізації і роботи з базою звуків дихання. Отримана точність роботи класифікатора є досить високою. Розроблений алгоритм покликаний істотно спростити роботу лікаря-пульмонолога для постановки своєчасного діагнозу.
Бібл. 8, рис. 3.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
Zolotih N.U. Machine Learning and Data Mining // URL: http://www.uic.unn.ru/~zny/ml/
Vorontsov K.V. Mathematical methods of training on precedents (machine learning theory)// http://www.ccas.ru/voron (Rus)
Mitchell T. Machine Learning. — McGraw-Hill Science/Engineering/Math, 1997. ISBN 0-07-042807-7.
Data classification by support vector method- URL: https://habrahabr.ru/post/105220/ (Rus)
Poreva G.S, Karplyuk Y.S., Makarenkova А.А., Makarenkov А.P. Detection of specific acoustic characteristics of patients with COPD based on spectral analysis of respiratory sounds // Electronics and Communications. – 2014. - Volume 19, №6(83) – Karplyuk Y.S., сс. 82-86 (Ukr)
Poreva G.S, Makarenkova А.А., Karplyuk Y.S., Goncharenko A.A. Application of polyspectral analysis to determine the diagnostic signs in the breathing sounds in patients with COPD - Proceedings of the National Technical University "KhPI" - technologies. Series: New solutions in modern technologies. – Kh.: NTU "KhPІ" - 2014. - , №36(1079)2014 - 200с., с. 49-55
Anna Poreva Yevgeniy Karplyuk, Anastasiia Makarenkova, Anatoliy Makarenkov Detection of COPD's Diagnostic Signs Based on Polyspectral Lung Sounds Analysis of Respiratory Phases 2015 IEEE 35th International Scientific Conference Electronics and Nanotechnology (ELNANO), pp.351-355
