ترجمه کامپیوتر - 25 صفحه
سال 2015
Advanced artificial neural network classification for detecting preterm births using EHG records
طبقه بندی شبکه های عصبی مصنوعی پیشرفته برای تشخیص تولد های زودرس با استفاده از رکورد های EHG
Paul Fergus n, brahimIdowu,AbirHussain,ChelseaDobbins
http://www.sciencedirect.com/science/article/pii/S0925231215017695
دانلود رایگان مقاله انگلیسی-شبکه های عصبی مصنوعی پیشرفته برای تشخیص تولد های زودرس
چکیده
به شکل جهانی، میزان تولد های زودرس در حال افزایش است، از این رو، منجر به مشکلات عمده و مهم سلامت، مشکلات توسعه واقتصادی می شود. روش های فعلی برای تشخیص زودتر چنین تولد هایی نامناسب هستند. با این وجود، مستندات و مدارکی بوده اند که تحلیل و بررسی سیگنال های الکتریکی رحم جمع آوری شده از سطح شکمی، می تواند یک راه ساده تر و مستقل برای تشخیص صحیح این عمل و تشخیص شروع زایمان زودرس را ایجاد کند. با استفاده از الگوریتم های یادگیری ماشین پیشرفته، در ارتباط با پردازش سیگنال Electrohysterography، مطالعات متعددی بر تشخیص صحیح این کار طی چندین روز تا رخ دادن این اتفاق، متمرکز شده اند. از این رو، در این مقاله، سیگنال های Electrohysterography برای تشخیص تولد های زودرس به کار گرفته می شوند. این کار با استفاده از یک مجموعه اطلاعات آشکار حاصل شده است که شامل 262 رکورد برای خانم هایی است که به موقع آمده اند و 38 خانم که قبل از موعد مقرر آمده اند. چندین ویژگی جدید ناشی از مطالعات الکترومیوگرافی مورد استفاده قرار گرفته اند، مانند تکنیک های طبقه بندی شده برای تعیین قابلیت های متمایزکننده خودشان در تشخیص رکورد های به موقع و پیش از موعد. 7 شبکه عصبی مصنوعی متفاوت برای تشخیص و شناسایی این رکورد های استفاده شدند. نتایج نشان می دهند که ترکیب طبقه بندی های شبکه عصبی پیشخورد پرورانده شده لونبرگ-مارکارت، شبکه عصبی تابع پایه شعاعی و شبکه عصبی تصادفی، با 91% حساسیت، 84% ویژگی، 94% محدوده زیر منحنی و 12% برای مقدار خطای میانگین، به بهترین شکل عمل کرده است.
Abstract
Globally, the rate of preterm births are increasing, thus resulting in significant health, development and economic problems. Current methods for the early detection of such births are inadequate. Nevertheless, there has been some evidence that the analysis of uterine electrical signals, collected from the abdominal surface, could provide an independent and easier way to diagnose true labour and detect the onset of preterm delivery. Using advanced machine learning algorithms, in conjunction with Electrohysterography signal processing, numerous studies have focused on detecting true labour several days prior to the event. However, in this paper, the Electrohysterography signals have been used to detect preterm births. This has been achieved using an open dataset, which contains 262 records for women who delivered at term and 38 who delivered prematurely. Several new features from Electromyography studies have been utilised, as well as feature-ranking techniques to determine their discriminative capabilities in detecting term and preterm records. Seven different artificial neural networks were then used to identify these records. The results illustrate that the combination of the Levenberg–Marquardt trained Feed-Forward Neural Network, Radial Basis Function Neural Network and the Random Neural Network classifiers performed the best, with 91% for sensitivity, 84% for specificity, 94% for the area under the curve and 12% for the mean error rate.
Keywords
Electrohysterography (EHG); Classification; Artificial Neural Networks; Area Under the Curve (AUC); Receiver Operating Curve (ROC); Feature Extraction
Recommended articles
Advanced Intelligent Computing Methodologies and Applications — Selected papers from the Tenth International Conference on Intelligent Computing (ICIC 2014)
Edited By Lin Zhu, Vitoantonio Bevilacqua and De-Shuang Huang
Special issue on Advanced Intelligent Computing Methodologies and Applications
Lin Zhu, Vitoantonio Bevilacqua, De-Shuang Huang,
Modeling time series data with deep Fourier neural networks
Michael S. Gashler, , Stephen C. Ashmore,
Neural network-based adaptive tracking control of mobile robots in the presence of wheel slip and external disturbance force
Ngoc-Bach Hoang, , Hee-Jun Kang,
Computational aesthetics of photos quality assessment based on improved artificial neural network combined with an autoencoder technique
2016, Neurocomputing
Dynamic neural network architecture inspired by the immune algorithm to predict preterm deliveries in pregnant women
2015, Neurocomputing
Regularized dynamic self-organized neural network inspired by the immune algorithm for financial time series prediction
2016, Neurocomputing