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
—