Nature Inspired Clustering Methods in The Electrocardiogram Interpretation Process in Cardiology
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F10%3A00170436" target="_blank" >RIV/68407700:21230/10:00170436 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Nature Inspired Clustering Methods in The Electrocardiogram Interpretation Process in Cardiology
Popis výsledku v původním jazyce
The paper focuses on the field of artificial intelligence techniques and their use in biomedical data processing. It concentrates on the clustering techniques inspired by various ant colonies and other nature concepts. The paper evaluates the use of thefollowing nature inspired methods: Ant Colony inspired Clustering, Ant Colony inspired method for Decision Tree generation, Radial Basis Function Neural Networks with different learning algorithms and compare them to classical approaches, such as k-meansand hierarchical clustering. The methods have been evaluated using the annotated MIT-BIH database. Use of the Dynamic Time Warping measure improved Sensitivity about 0.7 % and Specificity about 0.9 % when compared to classical feature extraction. Thebest-performing method is the agglomerative hierarchical clustering (Se=94.3, Sp=74.1), however it is practically unusable as it is memory and computational demanding.
Název v anglickém jazyce
Nature Inspired Clustering Methods in The Electrocardiogram Interpretation Process in Cardiology
Popis výsledku anglicky
The paper focuses on the field of artificial intelligence techniques and their use in biomedical data processing. It concentrates on the clustering techniques inspired by various ant colonies and other nature concepts. The paper evaluates the use of thefollowing nature inspired methods: Ant Colony inspired Clustering, Ant Colony inspired method for Decision Tree generation, Radial Basis Function Neural Networks with different learning algorithms and compare them to classical approaches, such as k-meansand hierarchical clustering. The methods have been evaluated using the annotated MIT-BIH database. Use of the Dynamic Time Warping measure improved Sensitivity about 0.7 % and Specificity about 0.9 % when compared to classical feature extraction. Thebest-performing method is the agglomerative hierarchical clustering (Se=94.3, Sp=74.1), however it is practically unusable as it is memory and computational demanding.
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
2010
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
Analysis of Biomedical Signals and Images, BIOSIGNAL 2010, Proceedings
ISBN
978-80-214-4106-4
ISSN
1211-412X
e-ISSN
—
Počet stran výsledku
5
Strana od-do
—
Název nakladatele
Brno University of Technology
Místo vydání
Brno
Místo konání akce
Brno
Datum konání akce
27. 6. 2010
Typ akce podle státní příslušnosti
EUR - Evropská akce
Kód UT WoS článku
—