Není k dispozici

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

—

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.

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2004

Kód důvěrnosti údajů

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

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

—