Исследование работы классификаторов для оптимизации постановки диагнозов бронхолегочных заболеваний
##plugins.themes.bootstrap3.article.main##
Аннотация
В данной статье рассмотрена возможность применения классификаторов, являющихся основой машинного обучения, для оптимизации постановки диагнозов бронхолегочных заболеваний. Рассмотрено работу нескольких классификаторов, и в результате исследования для поставленной задачи был выбран классификатор на основе метода ближайших соседей. В качестве параметров данного метода были выбраны рассчитанные на основе полиспектрального анализа численные характеристики сигналов звуков дыхания. Было установлено, что данный классификатор является простым для реализации и для работы с базой звуков дыхания. Полученная точность работы классификатора является достаточно высокой. Разработанный алгоритм призван существенно упростить работу врача-пульмонолога для постановки своевременного диагноза.
Библ. 8, рис. 3.
##plugins.themes.bootstrap3.article.details##
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, публикующиеся в данном журнале, соглашаются со следующими условиями:- Авторы сохраняют за собой права на авторство своей работы и предоставляют журналу право первой публикации этой работы на условиях лицензии Creative Commons Attribution License, которая позволяет другим лицам свободно распространять опубликованную работу с обязательной ссылокой на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы сохраняют право заключать отдельные договора на неэксклюзивное распространение работы в том виде, в котором она была опубликована этим журналом (например, размещать работу в электронном архиве учреждения или публиковать в составе монографии), с условием сохраниения ссылки на оригинальную публикацию в этом журнале.
- Политика журнала разрешает и поощряет размещение авторами в сети Интернет (например в институтском хранилище или на персональном сайте) рукописи работы как до ее подачи в редакцию, так и во время ее редакционной обработки, так как это способствует продуктивной научной дискуссии и положительно сказывается на оперативности и динамике цитирования статьи (см. The Effect of Open Access).
Библиографические ссылки
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
