Žmogaus sveikatos būsenos stebėjimo išmaniaisiais įrenginiais metodų kūrimas ir taikymas

Abstract

Žmogaus sveikatos būsenos stebėjimo išmaniaisiais įrenginiais metodų kūrimas ir taikymas. Magistro baigiamasis dårbas informatikos inžinerijos laipsniui. Vilniaus Gedimino technikos universitetas. Vilnius, 2016, 92 p., 51 iliustr., 14 lent., 58 bibl., 4 priedai. Baigiamojo magistro darbo metu iškeltas pagrindinis tikslas – ištirti dirbtiniais neuronų tinklais grįstų klasifikatorių efektyvumą medicininiams signalams. Tikslo įgyvendinimui susipažinta ir išanalizuota įvairi mokslinė literatūra, kurioje aptariami alternatyvūs medicininių signalų klasifikavimo metodai. Darbo metu pasirinktas elektrokardiogramos signalas, susipažinta su šio signalö registravimu, savybėmis ir charakteristikomis. Išrinkus medicininių signalų tipą, eksperimentinio tyrimo metu išsiaiškintos pagrindinės signalų požymių išskyrimo metodų savybės ir pasirinktas tiesinės prognozės koeficientų metodas. Tyrimo metu kurti tiesioginio sklidimo, spindulio tipo bazinių funkcijų ir saviorganizuojančių neuronų tinklai. Magistro baigiamojo darbo metu rastos efektyviausios dirbtiniais neuronų tinklais grįstų klasifikatorių sudedamosios vertės ir išrinktas tiksliausius rezultatus pateikęs SOM klasifikatorius.

Research and development of the human health state monitoring methods for smart devices. Master final thesis for Informatics Engineering degree. Vilnius Gediminas Technical University. Vilnius, 2016, 92 p., 51 figures, 14 tables, 58 bibl., 4 additives. Hereby master thesis objective is to examine medical signals efficiency based on research of artificial neurons network classifiers. To accomplish master thesis objective scientific literature was acquainted and analyzed, where alternative medical signals classification methods have been discussed. During the research electrocardiogram signal was selected, moreover characteristics, features and electrocardiogram signal registration was assessed and comprehended. After selecting medical signal type, throughout experimental research significant signal detection features have been found out and Linear Prediction Filter Coefficients was selected. During the research Feed-Forward, Radial Basis and Self-Organizing Map networks were developed. In the master thesis most efficient artificial neuron network classifiers component values have been found out and the most accurate results have been identified with SOM classifier