Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2016 - zeszyt 12

Fuzzy Classification of Medical Data Derived from Diagnostic Devices

10.15199/48.2016.12.22

nr katalogowy: 102605
10.15199/48.2016.12.22

The research described in this paper concerns fuzzy classification of medical datasets obtained from diagnostic devices. Experimental studies were performed with use of fuzzy c-means algorithm. It was shown that despite the low accuracy of the results, fuzzy classification reduce the risks associated with the loss of internal relationships in the characteristics of the data, and thus increases the chances of finding the pathological cases, as well as taking preventive actions or therapy. Streszczenie. W ramach niniejszej pracy przeprowadzona została klasyfikacja rozmyta w odniesieniu do medycznych zbiorów danych pozyskanych z urządzeń diagnostycznych. Zastosowana została rozmyta metoda k-średnich. Badania wykazały, że pomimo niskiej dokładności rezultatów, klasyfikacja rozmyta zmniejsza ryzyko związane z utratą wewnętrznych zależności w charakterystyce danych, a tym samym zwiększa szanse na stwierdzenie ryzyka patologii i tym samym szybsze podjęcie działań zapobiegawczych lub terapeutycznych (Rozmyta klasyfikacja danych medycznych pozyskanych za pomocą urządzeń diagnostyki medycznej). Słowa kluczowe: eksploracyjna analiza danych, klasyfikacja rozmyta, rozmyta metoda k-średnich, dane medyczne Keywords: fuzzy classification, data mining, fuzzy c-means algorithm, medical data Introduction Classification techniques enable automated analysis and diagnostic process of data. It is an extremely important and difficult issue as regards to medical cases, due to the need to achieve the highest rates of accuracy for the results of classification. Numerous research studies have been undertaken to point the most accurate classification method. Nevertheless, there is no universal approach that could be successfully applied to a variety of scientific, industrial or medical problems [1]. For this reason, there is a constant need for further research. The main difficulty, that emerges in automated diagnosis arise from a degree of ambiguity and uncert[...]

Bibliografia

[1] ESFANDIARI, N., BABAVALIAN, M. R., MOGHADAM, A. M. E., AND TABAR, V. K. (2014). Knowledge discovery in medicine: Current issue and future trend. Expert Systems with Applications, 41(9), 4434-4463.
[2] MAHMOODABADI, S. Z., ALIREZAIE, J., BABYN, P., KASSNER, A. AND WIDJAJA, E. (2010). Wavelets and fuzzy relational classifiers: A novel spectroscopy analysis system for pediatric metabolic brain diseases. Fuzzy sets and systems, 161(1), 75-95.
[3] GUSTAFSON, D. E., AND KESSEL, W. C. (1978). Fuzzy clustering with a fuzzy covariance matrix." Scientific Systems. Inc., Cambridge, MA.
[4] KORZENIEWSKA E., DURAJ A., KRAWCZYK A.: Detection of local changes in resistance by means of data mining algorithms. Przegląd Elektrotechniczny, 2014, 90.12: 229- 232.
[5] LAKSHMI JEETHA, SARAVAN KUMAR, A. SURESH: A novel hybrid medical diagnosis system based on genetic data adaptation decision tree and clustering, ARPN Journal of Engineering and Applied Sciences, VOL. 10, NO. 16, 2015
[6] WU, C. H., LAI, C. C., CHEN, C. Y., CHEN, Y. H. (2015). Automated clustering by support vector machines with a local-search strategy and its application to image segmentation. Optik-International Journal for Light and Electron Optics, 126(24), 4964-4970.
[7] PANDEY B., MISHRA R. B.: Knowledge and intelligent computing system in medicine. Computers in biology and medicine, 2009, 39.3, pp. 215-230.
[8] JEFMAŃSKI, B. (2009). Rozmyte metody klasyfikacji w analizie segmentów rynkowych na przykładzie rynku motoryzacyjnego.
[9] WIDJAJA M, DARMAWAN A, MULYONO S, Fuzzy classifier of paddy growth stages based on synthetic MODIS data. In Advanced Computer Science and Information Systems (ICACSIS), 2012 IEEE International Conference on; 239-244.
[10] USHER, J., CAMPBELL, D., VOHRA, J. AND CAMERON, J. (1996). Fuzzy classification of intra-cardiac arrhythmias. In Engineering in Medicine and Biology Society, 1996. Bridging Disciplines for Biomedicine. Proceedings of the 18th Annual International Conference of the IEEE (Vol. 3, pp. 997-998). IEEE.
[11] ZAMOJSKA J., NIEWIADOMSKA-JAROSIK K., WOSIAK A., LIPIEC P., STAŃCZYK J.: Myocardial dysfunction measured by tissue Doppler echocardiography in children with primary arterial hypertension, Kardiologia Polska 2015, DOI: 10.5603/KP.a2014.0189
[12] ZAMECZNIK, A., NIEWIADOMSKA-JAROSIK, K., WOSIAK, A., ZAMOJSKA, J., MOLL, J. AND STAŃCZYK J. (2014) Intra-uterine growth restriction as a risk factor for hypertension in children six to 10 years old, Cardiovascular Journal of Africa, 2014, pp. 73-77
[13] BEZDEK, J. C., EHRLICH, R. AND FULL, W. (1984). FCM: The fuzzy c-means clustering algorithm. Computers and Geosciences, 10(2), 191-203. 88 PRZEGLĄD ELEKTROTECHNICZNY, ISSN 0033-2097, R. 92 NR 12/2016
[14] GATH, I., GEVA, A. B. (1989). Fuzzy clustering for the estimation of the parameters of the components of mixtures of normal distributions. Pattern Recognition Letters, 9(2), 77- 86.
[15] GRAVES D., PEDRYCZ W.: Fuzzy c-means, Gustafson- Kessel FCM, and kernel-based FCM: A comparative study. Analysis and Design of Intelligent Systems using Soft Computing Techniques. Springer Berlin Heidelberg, 2007. pp. 140-149.
[16] WANG N., LIU X., YIN J.: Improved Gath-Geva clustering for fuzzy segmentation of hydrometeorological time series. Stochastic environmental research and risk assessment, 2012, 26.1: 139-155.
[17] REZAEE B.: A cluster validity index for fuzzy clustering. Fuzzy Sets and Systems, 2010, vol.161(23), pp. 3014-3025.
[18] JASZUK M., MROCZEK T.: FRYC, Barbara. Testy porównawcze metod klasteryzacji jako narzędzia identyfikacji grup studenckich oraz tworzenia klas pytań ankietowych. Projekt współfinansowany ze środków Unii Europejskiej z Europejskiego Funduszu Rozwoju Regionalnego oraz z budżetu Państwa w ramach Regionalnego Programu Operacyjnego Województwa Podkarpackiego na lata 2007 - 2013. Inwestujemy w rozwój województwa podkarpackiego.
[19] MANNING C.D., RAGHAVAN P., SCHÜTZE H.: Introduction to Information Retrieval, Cambridge University Press, New York, NY, USA, 2008
[20] HANDL J., KNOWLES J., KELL D.B., Computational cluster validation in postgenomic data analysis. Bioinformatics, 21(15) 2005, pp. 3201-3212.
[21] DUNN J.C.: Well separated clusters and fuzzy partitions. J. Cybernet. (1974) 4:95-104.
[22] DAVIES D.L., BOULDIN D.W.: A cluster separation measure. IEEE Trans. Pattern Anal. Machine Intell. (1979) 1:224-227.
[23] ROUSSEEUW P.J.: Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. J. Comput. Appl. Math. (1987) 20:53-65.
[24] BERNARDES J., Faculdade de Medicina, Universidade do Porto, Porto, Portugal, Reference: D AYRES DE CAMPOS ET AL. (2000) SisPorto 2.0 A Program for Automated Analysis of Cardiotocograms. J Matern Fetal Med 5:311-318
[25] CIOS K.J., KURGAN L., University of Colorado at Denver, Denver, CO 80217, U.S.A, Reference: KURGAN, L.A., CIOS, K.J., TADEUSIEWICZ, R., OGIELA, M., GOODENDAY, L.S.: Knowledge Discovery Approach to Automated Cardiac SPECT Diagnosis, Artificial Intelligence in Medicine, vol. 23:2, pp. 149-169, 2001
[26] WITTEN I.H., FANK E.: Data mining: practical machine learning tools and techniques, 2nd edn. Morgan Kaufmann, San Francisco (2005)
[27] NATICK M.A.: Fuzzy logic toolbox for use with Matlab, The MathWorks Inc., 1998
[28] STANISZ A., TADEUSIEWICZ R.: Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. StatSoft, 2007.
[29] MȨŻYK E., UNOLD O.: Mining fuzzy rules using an Artificial Immune System with fuzzy partition learning. Applied Soft Computing, 2011, 11.2: 1965-1974.
[30] MEGED A., GELBARD R.: Adjusting Fuzzy Similarity Functions for use with standard data mining tools. Journal of Systems and Software, 2011, 84.12: 2374-2383.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 40203 "Calculation of SAR in bio..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2016-12 licencja: Osobista Produkt cyfrowy	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2016-12

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma