Контакты
Авторам
Рекламодателям
Редколлегия
Подписка
Архив номеров
Медицинская Техника
/
Медицинская техника №5, 2022
/ с. 42-45
Использование модели машинного обучения для классификации миографических заболеваний
Н.Т. Абдуллаев, К.Ш. Пашаева
Аннотация
Для решения задачи классификации применены модели последовательного машинного обучения с использованием методов глубокого обучения. Работа реализована на платформе Kaggle с использованием языка программирования Python. Установле- на зависящая от числа эпох точность нейронной сети при помощи кривых точности и потерь при обучении, оценивается влияние числа потерь на повышение точности сети.
Вернуться к содержанию
Сведения об авторах
Намик Таир оглы Абдуллаев
, д-р техн. наук, доцент, кафедра «Биомедицинская техника», Азербайджанский технический университет,
Камаля Ширин гызы Пашаева
, канд. техн. наук, доцент, кафедра автоматизации процессов, Бакинская высшая школа нефти, г. Баку, Азербайджан,
e-mail:
nabdullayev.46@mail.ru
Список литературы
1. Sangwoo N., Min K.S., Hyun A.K., Hyoun-Joong K., Il-Young J. Development of Artificial Intelligence to Support Needle Electromyography Diagnostic Analysis // Healthcare Informatics Research. 2019. Vol. 25 (2). PP. 131-138.
2. Park S.H., Lee S.P. EMG pattern recognition based on artificial intelligence techniques // IEEE Transactions on Rehabilitation Engineering. 1998. Vol. 6 (4). PP. 400-405.
3. Mahdi K., Mehran J. Real-time intelligent pattern recognition algorithm for surface EMG signals // Biomedical Engineering Online. 2007. Vol. 6. PP. 1-24.
4. Allard C.U., Campbell E., Phinyomark A., Laviolette F., Gosselin B., Scheme E. Interpreting Deep Learning Features for Myoelectric Control: A Comparison With Handcrafted Features // Frontiers in Bioengineering and Biotechnology. 2020. Vol. 8. PP. 1-22.
5. Panyawut S.I., Attawit C., Chatchai B., Songphon D., Ronachai P., Chusak T., Decho S. Classification of 41 Hand and Wrist Movements via Surface Electromyogram Using Deep Neural Network // Frontiers in Bioengineering and Biotechnology. 2021. Vol. 9. PP. 1-15.
6. How to Use the Keras Functional API for Deep Learning / https://machinelearningmastery.com/keras-functional-api-deep- learning/ (дата доступа: 15.02.2022).
7. LabelEncoder (examples) / https://scikit-learn.org/stable/ modules/generated/sklearn.preprocessing.LabelEncoder.html (дата доступа: 18.02.2022).
8. The Sequential model / https://keras.io/guides/sequential_ model/ (дата доступа: 28.02.2022).
9. Keras – Models / https://www.tutorialspoint.com/keras/ keras_models.htm (дата доступа: 28.02.2022).
10. Keras Model Sequential API VS Functional API / https:// medium.com/analytics-vidhya/keras-model-sequential-api-vs- functional-api-fc1439a6fb10 (дата доступа: 05.03.2022).
11. Ways to build Keras Models / https://medium.com/nerd-for- tech/ways-to-build-keras-models-198f6a643944 (дата доступа: 05.03.2022).
12. Implicit and Explicit Input Layers in Keras Sequential Models / https://rukshanpramoditha.medium.com/implicit-and-explicit- input-layers-in-keras-sequential-models-733049f83a32 (дата доступа: 10.03.2022).
13. Multiclass EMG prediction with tensorflow keras / https:// www.kaggle.com/aytacabdullayeva/multiclass-emg-prediction- with-tensorflow-keras (дата доступа: 14.03.2022).