http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Comparison of HRV Time and Frequency Domain Features for Myocardial Ischemia Detection
전설위(Xue-Wei Tian),장진흥(Zhen-Xing Zhang),이상홍(Sang-Hong Lee),임준식(Joon S. Lim) 한국콘텐츠학회 2011 한국콘텐츠학회논문지 Vol.11 No.3
심박 변이도 (HRV) 분석은 심근허혈 (MI)를 평가하기 위한 편리한 도구이다. HRV에 대한 분석법은 시간 영역과 주파수 영역 분석으로 나눠질 수 있다. 본 논문은 단기간의 HRV 분석에 있어서 웨이블릿 변환을 주파수 영역 분석과 시간 영역 분석 비교하기 위하여 사용하였다. ST-T와 정상 에피소드는 각각 European ST-T 데이터베이스와 MIT-BIH Normal Sinus Rhythm 데이터베이스에서 각각 수집되었다. 한 에피소드는 32개 연속하는 RR 간격으로 나눠질 수 있다. 18개 HRV 특징은 시간과 주파수 영역 분석을 통하여 추출된다. 가종 퍼지소속함수 신경망 (NEWFM)은 추출된 18개의 특징을 이용하여 심근허혈을 진단하였다. 결과는 보여주는 평균 정확도로부터 시간영역과 주파수영역의 특징은 각각 75.29%와 80.93%이다. Heart Rate Variability (HRV) analysis is a convenient tool to assess Myocardial Ischemia (MI). The analysis methods of HRV can be divided into time domain and frequency domain analysis. This paper uses wavelet transform as frequency domain analysis in contrast to time domain analysis in short term HRV analysis. ST-T and normal episodes are collected from the European ST-T database and the MIT-BIH Normal Sinus Rhythm database, respectively. An episode can be divided into several segments, each of which is formed by 32 successive RR intervals. Eighteen HRV features are extracted from each segment by the time and frequency domain analysis. To diagnose MI, the Neural Network with Weighted Fuzzy Membership functions (NEWFM) is used with the extracted 18 features. The results show that the average accuracy from time and frequency domain features is 75.29% and 80.93%, respectively.
Learning Distribution Graphs Using a Neuro-Fuzzy Network for Naive Bayesian Classifier
전설위,임준식,Tian, Xue-Wei,Lim, Joon S. The Society of Digital Policy and Management 2013 디지털융복합연구 Vol.11 No.11
Naive Bayesian classifiers 네이브 베이지안 분류기는 샘플 데이터로부터 쉽게 구현될 수 있는 강력하고도 많이 사용되는 형식의 분류기다. 그러나 강한 조건부 독립성으로 인하여 효율이 저하되는 분류 결과를 초래한다. 일반적으로 네이브 베이지안 분류기는 연속성을 가진 특징 데이터의 우도를 처리하기 위해 가우시안 분산을 사용한다. 속성들의 확률밀도는 항상 가우시안 분산에 적합한 것만은 아니다. 또 다른 형식의 분류기는 지도학습을 통해 퍼지 규칙과 퍼지집합을 학습할 수 있는 퍼지신경망이다. 퍼지신경망과 네이브 베이지안 분류기간에는 구조적 유사성을 가지고 있기 때문에 퍼지신경망으로 학습된 분산 그래프를 네이브 베이지안 분류기에 적용하고자 하는 방안이 본 연구의 목적이다. 따라서 네이브 베이지안 분류기에 가우시안 분산 그래프를 사용한 결과와 퍼지 분산 그래프를 사용한 결과를 비교하였다. 이를 위해 leukemia와 colon의 DNA 마이크로어레이 데이터를 적용하여 분류하였다. 네이브 베이지안 분류기에 퍼지 분산 그래프를 사용한 결과 가우시안 분산 그래프를 사용한 결과보다 더 신뢰성이 있음을 보여주었다. Naive Bayesian classifiers are a powerful and well-known type of classifiers that can be easily induced from a dataset of sample cases. However, the strong conditional independence assumptions can sometimes lead to weak classification performance. Normally, naive Bayesian classifiers use Gaussian distributions to handle continuous attributes and to represent the likelihood of the features conditioned on the classes. The probability density of attributes, however, is not always well fitted by a Gaussian distribution. Another eminent type of classifier is the neuro-fuzzy classifier, which can learn fuzzy rules and fuzzy sets using supervised learning. Since there are specific structural similarities between a neuro-fuzzy classifier and a naive Bayesian classifier, the purpose of this study is to apply learning distribution graphs constructed by a neuro-fuzzy network to naive Bayesian classifiers. We compare the Gaussian distribution graphs with the fuzzy distribution graphs for the naive Bayesian classifier. We applied these two types of distribution graphs to classify leukemia and colon DNA microarray data sets. The results demonstrate that a naive Bayesian classifier with fuzzy distribution graphs is more reliable than that with Gaussian distribution graphs.
Neuro-Fuzzy Network-based Depression Diagnosis Algorithm Using Optimal Features of HRV
장진흥(Zhen-Xing Zhang),전설위(Xue-Wei Tian),임준식(Joon S. Lim) 한국콘텐츠학회 2012 한국콘텐츠학회논문지 Vol.12 No.2
본 논문은 가중 퍼지소속함수 기반 신경망 (Neural Network with Weighted Fuzzy Membership functions, NEWFM)과 심박수 변이도(Heart Rate Variability, HRV)를 이용하여 우울증 진단알고리즘을 제안하고 있다. 본 알고리즘에서 사용할 NEWFM의 입력특징을 추출하기 위해서 주파수도메인 특징추출, 시간도메인 특징추출, 웨이블릿변환 특징추출, 포인케어변환 특징추출 방법을 이용하여 22개의 초기 HRV특징들을 추출하였다. 또한 NEWFM에서 제공하는 비중복면적 분산측정법 (Non-overlap Area Distribution Measurement, NADM)에 의해 입력특징의 중요도를 평가하여 22개의 초기특징으로부터 중요도가 가장 높은 6개 최적입력특징을 선택하였다. 이 6개 특징을 이용하여 우울증을 진단한 결과는 95.8%의 정확도를 나타내었다. This paper presents an algorithm for depression diagnosis using the Neural Network with Weighted Fuzzy Membership functions (NEWFM) and heart rate variability (HRV). In the algorithm, 22 different features were initially extracted from the HRV signal by frequency domain, time domain, wavelet transformed, and Poincare transformed feature extraction methods; of these 6 optimal features were selected by significance evaluation using Non-overlap Area Distribution Measurement (NADM) based on NEWFM. The proposed algorithm uses these 6 optimal features to diagnose depression with an accuracy of 95.83%.