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