Dubinska analiza biomedicinskih vremenskih nizova zasnovana na računalnom radnom okviru za izlučivanje značajki : doktorski rad / Alan Jović ; [mentor Nikola Bogunović]
By: Jović, Alan.
Contributor(s): Bogunović, Nikola [ths].
Material type: TextPublisher: Zagreb : A. Jović ; Fakultet elektrotehnike i računarstva, 2012Description: 195 str. : ilustr. ; 30 cm + CD.Summary: Sažetak: Analiza biomedicinskih vremenskih nizova (BVN) obuhvaća široko interdisciplinarno područje. Istraživači u tom području nastoje kvantizirati složenost biološkog sustava kako bi se ostvarilo lakše razlikovanje između zdravog i bolesnog organizma. Uloga računarstva u tim istraživanjima je izlučivanje i dubinska analiza značajki. Cilj ove disertacije je sistematizirati pristupe izlučivanju značajki i predložiti sveobuhvatan postupak analize podataka na putu od baze podataka do konačnog modela koji ce omogućiti što bolje rezultate pri razvrstavanju poremećaja BVN. U tu svrhu predlaže se implementacija računalnog radnog okvira koji omogućuje izlučivanje velikog broja značajki za pojedinu vrstu BVN. U okviru disertacije implementacija okvira provedena je za područje analize srčanog ritma. Pritom su detaljno opisane vremenske, frekvencijske, vremensko-frekvencijske i nelinearne značajke korištene u tom području. Razvijena su dva nova nelinearna postupka za izlučivanje značajki iz BVN: abecedna entropija i napredna analiza slijednog trenda, za koje se pokazuje da poboljšavaju rezultate razvrstavanja poremećaja. Sustavni postupak vrednovan je na dva zasebna problema razvrstavanja, a postignuta je viša točnost od sličnih pristupa navedenih u literaturi. Rezultati dobiveni ovom disertacijom unaprijeđuju područje računalne analize BVN jer daju radni okvir temeljen na najboljoj praksi za postizanje visoke točnosti razvrstavanja poremećaja. Ključne riječi: dubinska analiza podataka, biomedicinski vremenski nizovi, izlučivanje značajki, računalni radni okvir, nelinearne značajke, odabir atributa, razvrstavanje u više ciljnih razreda, srčani ritam, entropijaSummary: Abstract: Analysis of biomedical time-series encompasses a broad interdisciplinary area of scientific research. Researchers in this area intend to quantify the complexity of biological system in order to facilitate the differentiation between healthy and unhealthy organisms. The role of computing in this research is mostly related to feature extraction and data mining. The aim of this thesis is to provide a systematic approach starting from databases and continuing through feature extraction, data mining, and model evaluation that would ensure more accurate classification results for biomedical time-series analysis. As a part of the systematic approach, an implementation of a computer framework is proposed that consists of a large number of domain-relevant features. In this thesis, the framework is built for the domain of heart rhythm. The described features include: time domain, frequency domain, time-frequency, and nonlinear measures. Additional two novel methods for feature extraction are also proposed: alphabet entropy and advanced sequential trend analysis, which are shown to increase classification accuracy. The proposed method is evaluated on two distinct classification problems and the obtained results are better than any previously reported in literature. The results of this thesis contribute to the field of computer analysis of biomedical time-series because they provide a framework based on best practice for achieving high discrimination of different types of disorders. Keywords: data mining, biomedical time-series, feature extraction, computer framework, nonlinear features, feature selection, multi-class classification, cardiac rhythm, entropyItem type | Current location | Call number | Status | Notes | Date due | Barcode | Item holds |
---|---|---|---|---|---|---|---|
Doktorska disertacija | Središnja knjižnica KF | KF-4593 | Available | 0000000872911 | |||
Doktorska disertacija | Središnja knjižnica | KF-4593 | 1 | 0000000872928 | |||
Doktorska disertacija | Središnja knjižnica | KF-4593 | 1 | CD | 0000000872935 |
Bibliografija.
Sažetak: Analiza biomedicinskih vremenskih nizova (BVN) obuhvaća široko interdisciplinarno područje. Istraživači u tom području nastoje kvantizirati složenost biološkog sustava kako bi se ostvarilo lakše razlikovanje između zdravog i bolesnog organizma. Uloga računarstva u tim istraživanjima je izlučivanje i dubinska analiza značajki. Cilj ove disertacije je sistematizirati pristupe izlučivanju značajki i predložiti sveobuhvatan postupak analize podataka na putu od baze podataka do konačnog modela koji ce omogućiti što bolje rezultate pri razvrstavanju poremećaja BVN. U tu svrhu predlaže se implementacija računalnog radnog okvira koji omogućuje izlučivanje velikog broja značajki za pojedinu vrstu BVN. U okviru disertacije implementacija okvira provedena je za područje analize srčanog ritma. Pritom su detaljno opisane vremenske, frekvencijske, vremensko-frekvencijske i nelinearne značajke korištene u tom području. Razvijena su dva nova nelinearna postupka za izlučivanje značajki iz BVN: abecedna entropija i napredna analiza slijednog trenda, za koje se pokazuje da poboljšavaju rezultate razvrstavanja poremećaja. Sustavni postupak vrednovan je na dva zasebna problema razvrstavanja, a postignuta je viša točnost od sličnih pristupa navedenih u literaturi. Rezultati dobiveni ovom disertacijom unaprijeđuju područje računalne analize BVN jer daju radni okvir temeljen na najboljoj praksi za postizanje visoke točnosti razvrstavanja poremećaja. Ključne riječi: dubinska analiza podataka, biomedicinski vremenski nizovi, izlučivanje značajki, računalni radni okvir, nelinearne značajke, odabir atributa, razvrstavanje u više ciljnih razreda, srčani ritam, entropija
Abstract: Analysis of biomedical time-series encompasses a broad interdisciplinary area of scientific research. Researchers in this area intend to quantify the complexity of biological system in order to facilitate the differentiation between healthy and unhealthy organisms. The role of computing in this research is mostly related to feature extraction and data mining. The aim of this thesis is to provide a systematic approach starting from databases and continuing through feature extraction, data mining, and model evaluation that would ensure more accurate classification results for biomedical time-series analysis. As a part of the systematic approach, an implementation of a computer framework is proposed that consists of a large number of domain-relevant features. In this thesis, the framework is built for the domain of heart rhythm. The described features include: time domain, frequency domain, time-frequency, and nonlinear measures. Additional two novel methods for feature extraction are also proposed: alphabet entropy and advanced sequential trend analysis, which are shown to increase classification accuracy. The proposed method is evaluated on two distinct classification problems and the obtained results are better than any previously reported in literature. The results of this thesis contribute to the field of computer analysis of biomedical time-series because they provide a framework based on best practice for achieving high discrimination of different types of disorders. Keywords: data mining, biomedical time-series, feature extraction, computer framework, nonlinear features, feature selection, multi-class classification, cardiac rhythm, entropy
There are no comments for this item.