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”

On the Role of Training Data for SVM-Based Microwave Brain Stroke Detection and Classification

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21460%2F23%3A00364873" target="_blank" >RIV/68407700:21460/23:00364873 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.3390/s23042031" target="_blank" >https://doi.org/10.3390/s23042031</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3390/s23042031" target="_blank" >10.3390/s23042031</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    On the Role of Training Data for SVM-Based Microwave Brain Stroke Detection and Classification

  • Popis výsledku v původním jazyce

    The aim of this work was to test microwave brain stroke detection and classification using support vector machines (SVMs). We tested how the nature and variability of training data and system parameters impact the achieved classification accuracy. Using experimentally verified numerical models, a large database of synthetic training and test data was created. The models consist of an antenna array surrounding reconfigurable geometrically and dielectrically realistic human head phantoms with virtually inserted strokes of arbitrary size, and different dielectric parameters in different positions. The generated synthetic data sets were used to test four different hypotheses, regarding the appropriate parameters of the training dataset, the appropriate frequency range and the number of frequency points, as well as the level of subject variability to reach the highest SVM classification accuracy. The results indicate that the SVM algorithm is able to detect the presence of the stroke and classify it (i.e., ischemic or hemorrhagic) even when trained with single-frequency data. Moreover, it is shown that data of subjects with smaller strokes appear to be the most suitable for training accurate SVM predictors with high generalization capabilities. Finally, the datasets created for this study are made available to the community for testing and developing their own algorithms. 2023 by the authors.

  • Název v anglickém jazyce

    On the Role of Training Data for SVM-Based Microwave Brain Stroke Detection and Classification

  • Popis výsledku anglicky

    The aim of this work was to test microwave brain stroke detection and classification using support vector machines (SVMs). We tested how the nature and variability of training data and system parameters impact the achieved classification accuracy. Using experimentally verified numerical models, a large database of synthetic training and test data was created. The models consist of an antenna array surrounding reconfigurable geometrically and dielectrically realistic human head phantoms with virtually inserted strokes of arbitrary size, and different dielectric parameters in different positions. The generated synthetic data sets were used to test four different hypotheses, regarding the appropriate parameters of the training dataset, the appropriate frequency range and the number of frequency points, as well as the level of subject variability to reach the highest SVM classification accuracy. The results indicate that the SVM algorithm is able to detect the presence of the stroke and classify it (i.e., ischemic or hemorrhagic) even when trained with single-frequency data. Moreover, it is shown that data of subjects with smaller strokes appear to be the most suitable for training accurate SVM predictors with high generalization capabilities. Finally, the datasets created for this study are made available to the community for testing and developing their own algorithms. 2023 by the authors.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    20601 - Medical engineering

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA21-00579S" target="_blank" >GA21-00579S: Multifyzikální studie superpozice elektromagnetických vln v modelu lidské hlavy pro ověření proveditelnosti mikrovlnné hypertermie nádorů mozku</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    Sensors

  • ISSN

    1424-8220

  • e-ISSN

    1424-8220

  • Svazek periodika

    23

  • Číslo periodika v rámci svazku

    4

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    21

  • Strana od-do

  • Kód UT WoS článku

    000942248300001

  • EID výsledku v databázi Scopus

    2-s2.0-85149183784