Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Random Subspace Ensemble Artificial Neural Networks for First-episode Schizophrenia Classification

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F65269705%3A_____%2F16%3A00065861" target="_blank" >RIV/65269705:_____/16:00065861 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/00216224:14110/16:00091907

  • Výsledek na webu

    <a href="http://dx.doi.org/10.15439/2016F333" target="_blank" >http://dx.doi.org/10.15439/2016F333</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.15439/2016F333" target="_blank" >10.15439/2016F333</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Random Subspace Ensemble Artificial Neural Networks for First-episode Schizophrenia Classification

  • Popis výsledku v původním jazyce

    Computer-aided schizophrenia diagnosis is a difficult task that has been developing for last decades. Since traditional classifiers have not reached sufficient sensitivity and specificity, another possible way is combining the classifiers in ensembles. In this paper, we take advantage of random subspace ensemble method and combine it with multilayer perceptron (MLP) and support vector machines (SVM). Our experiment employs voxel-based morphometry to extract the grey matter densities from 52 images of first-episode schizophrenia patients and 52 healthy controls. MLP and SVM are adapted on random feature vectors taken from predefined feature pool and the classification results are based on their voting. Random feature ensemble method improved prediction of schizophrenia when short input feature vector (100 features) was used, however the performance was comparable with single classifiers based on bigger input feature vector (1000 and 10000 features).

  • Název v anglickém jazyce

    Random Subspace Ensemble Artificial Neural Networks for First-episode Schizophrenia Classification

  • Popis výsledku anglicky

    Computer-aided schizophrenia diagnosis is a difficult task that has been developing for last decades. Since traditional classifiers have not reached sufficient sensitivity and specificity, another possible way is combining the classifiers in ensembles. In this paper, we take advantage of random subspace ensemble method and combine it with multilayer perceptron (MLP) and support vector machines (SVM). Our experiment employs voxel-based morphometry to extract the grey matter densities from 52 images of first-episode schizophrenia patients and 52 healthy controls. MLP and SVM are adapted on random feature vectors taken from predefined feature pool and the classification results are based on their voting. Random feature ensemble method improved prediction of schizophrenia when short input feature vector (100 features) was used, however the performance was comparable with single classifiers based on bigger input feature vector (1000 and 10000 features).

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2016

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of the 2016 Federated Conference on Computer Science and Information Systems (FEDCSIS)

  • ISBN

    978-83-60810-90-3

  • ISSN

    2300-5963

  • e-ISSN

  • Počet stran výsledku

    5

  • Strana od-do

    317-321

  • Název nakladatele

    IEEE

  • Místo vydání

    New York

  • Místo konání akce

    Gdansk, Poland

  • Datum konání akce

    11. 9. 2016

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000392436600050