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”

Není k dispozici

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F04%3A03096836" target="_blank" >RIV/68407700:21230/04:03096836 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Clustering of Intracranial Pressure using Hidden Markov Models

  • Popis výsledku v původním jazyce

    We present a clustering algorithm based on continuous Hidden Markov Models (HMM) to automatically classify intracranial pressure (ICP) beats based on their morphology. The algorithm detects, classifies and labels each beat as a low--pressure or high--pressure beat based on morphology. An ICP beat detection algorithm is used to automatically detect each beat. In order to avoid the numerical problems with classical Expectation-Maximization (EM) algorithm we applied Variational Bayes Learning for HMM optimization. We measured the performance of the algorithm compared to expert classification of ICP beats acquired from intensive care unit patients using both partitional and hierarchical clustering schemes. We showed that neither partitional nor hierarchical scheme are superior to each other; the clustering performance about 80 % was achieved both on synthetic and real-icp data.

  • Název v anglickém jazyce

    Clustering of Intracranial Pressure using Hidden Markov Models

  • Popis výsledku anglicky

    We present a clustering algorithm based on continuous Hidden Markov Models (HMM) to automatically classify intracranial pressure (ICP) beats based on their morphology. The algorithm detects, classifies and labels each beat as a low--pressure or high--pressure beat based on morphology. An ICP beat detection algorithm is used to automatically detect each beat. In order to avoid the numerical problems with classical Expectation-Maximization (EM) algorithm we applied Variational Bayes Learning for HMM optimization. We measured the performance of the algorithm compared to expert classification of ICP beats acquired from intensive care unit patients using both partitional and hierarchical clustering schemes. We showed that neither partitional nor hierarchical scheme are superior to each other; the clustering performance about 80 % was achieved both on synthetic and real-icp data.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    JC - Počítačový hardware a software

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2004

  • 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

    Cybernetics and Systems 2004

  • ISBN

    3-85206-169-5

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    175-180

  • Název nakladatele

    Austrian Society for Cybernetics Studies

  • Místo vydání

    Vienna

  • Místo konání akce

    Vienna

  • Datum konání akce

    13. 4. 2004

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku