vol. 4 3/2015 Inżynier i Fizyk Medyczny
172
kardiologia
\
cardiology
artykuł naukowy
\
scientific paper
W ostatnim etapie przeprowadzono test prawidłowości ucze-
nia. Wczytano wszystkie sygnały, które nie brały udziału w pro-
cesie uczenia. Wynik sprawdzono analogicznie jak podczas na-
uczania za pomocą komendy
sim(net,P(:,…))
(Tabela3).
W tym przypadku sieć również nie rozpoznała w 100%wszyst-
kich sygnałów EKG. Na 10 sygnałów 4 sygnały zostały rozpozna-
ne prawidłowo.
Podsumowanie
W tabeli 4 zaprezentowano wyniki przeprowadzonego te-
stu. Sieć wielowarstwowa II ze wsteczną propagacją błędów
o dwóch funkcjach aktywacji tangensoidalnych i jednej liniowej
osiągnęła najlepsze wyniki – na 10 zadanych sygnałów 9 rozpo-
znała prawidłowo.
Tabela 4
. Zestawienie wszystkich wyników testu
Numer
sygnału
Wynik testu
Sieć wielo-
warstwowa I
Sieć wielo-
warstwowa II
Sieć wielo-
warstwowa III
Sygnał
prawidłowy
1
1,5032
0,9990
0,3122
2
1,6676
0,6947
0,9820
3
1,3846
0,9999
-0,0745
4
1,3846
0,9999
-0,0745
5
0,7156
-0,0626
-0,2801
Sygnał nie-
prawidłowy
1
0,3505
0,4179
0,7246
2
0,4872
0,3115
0,0525
3
-1,5078
0,1274
0,0340
4
-0,6196
0,0942
0,1517
5
1,9224
0,9968
1
Wnioski
Utrudniony dostęp do szerokiej klasy sygnałów EKG w postaci
próbkowanej oraz bardzo szeroki i skomplikowany zakres badań
nie pozwoliły na uzyskanie skończonych i pełnych wyników. Te-
mat wymaga wielu dodatkowych badań, rozważenia większej
klasy sieci neuronowych, większej liczby parametrów oraz do-
stępu do większego zbioru próbkowanych sygnałów EKG.
Literatura
1.
W. Duch:
Fascynujący świat komputerów, Sztuczna inteligencja
,
Poznań 1997.
2.
R. Tadeusiewicz, G. Paliwoda-Pękosz, P. Lula:
Metody
sztucznej
inteligencji i ich zastosowania w ekonomii i zarządzaniu
, Akademia
Ekonomiczna w Krakowie, Kraków 2003.
3.
H. Kwaśnicka:
Sztuczna
Inteligencja i Systemy Ekspertowe. Roz-
wój, Perspektywy
, Katedra Inżynierii Oprogramowania, Wyższa
Szkoła Zarządzania i Finansów, Wrocław 2005.
4.
R. Tadeusiewicz:
Wykłady na temat sieci neuronowych
, Labora-
torium Biocybernetyki, Katedra Automatyki na AGH, [online]
/
01-Wprowadzenie.pdf>, 2009
5.
6.
M. Nałęcz:
Biocybernetyka i Inżynieria Biomedyczna. Sieci neuro-
nowe
, 6, 2000, Akademicka Oficyna Wydawnicza EXIT, Warsza-
wa 2000.
7.
R. Tadeusiewicz:
Elementarne wprowadzenie do techniki sieci
neuronowych z przykładowymi programami
, Akademicka Oficyna
Wydawnicza PLJ, Warszawa 1998.
8.
R. Tadeusiewicz: W
prowadzenie do sieci neuronowych
, StatSoft,
Kraków 2001.
9.
Ł. Sanocki:
Wstęp do sieci neuronowych
,
Katedra Elektroniki,
Akademia Górniczo-Hutnicza, Kraków 2005.
10.
Wykłady z sieci neuronowych
, Katedra Inżynierii Komputerowej,
Politechnika Częstochowska, Częstochowa, 2012
11.
J. Korbicz, A. Obuchowicz, D. Uciński:
Sztuczne Sieci Neuronowe.
Podstawy i Zastosowania
, Akademicka Oficyna Wydawnicza PLJ,
Warszawa 1994.
12.
A. Duraj:
Algorytmy rozpoznawania zespołów QRS w sygna-
łach elektrokardiograficznych pochodzących od pacjentów
z wszczepionym układem stymulującym – rozprawa doktorska
,
Uniwersytet Zielonogórski, Wydział Elektroniki Informatyki
i Telekomunikacji, Zielona Góra 2007.
13.
H. Kwaśnicka:
Obliczenia ewolucyjne w sztucznej inteligenc
ji,
Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 1999.
14.
S. Osowski:
Sieci neuronowe w ujęciu algorytmicznym
, Wydawnic-
two Naukowo-Techniczne, Warszawa 1996.
15.
M. Woźniak:
Rozpoznawanie choroby Parkinson na podstawie
głosu przy wykorzystaniu sieci neuronowych
[online], <
kinson-disease-detector.googlecode.com/svn/trunk/praca/
praca_inz_mateusz_mroz.doc>, 2014
16.
T. Garcia, N. Holtz:
EKG Sztuka interpretacji
, Wydawnictwo Me-
dyczne MediPage, Warszawa 2007.
17.
A. Houghton, D. Gray:
EKG jasno i zrozumiale
, α-medica,
Bielsko-Biała 2008, 10-30
18.
T. Tomasik, A. Windak, A. Skalska, J. Kulczycka-Życzkowska,
A. Kocemba:
Elektrokardiografia dla lekarza praktyka. Podręcznik
z materiałami samokształceniowymi 195 pytań testowych, 70 ćwi-
czeń praktycznych
, Uniwersyteckie Wydawnictwo Medyczne
„Vesalius”, Kraków 1998.
19.
G. Cliffird, L. Tarassenko, N. Townsend:
Fusing Conventional
ECG QRS Detection Algorithms with an Auto-associative Neural
Network for the Detection of Ectopic Beats
, International Confe-
rence, Beijing 2000.
20.
S. Yang, G. Yang:
ECG Pattern Recognition Based on Wavelet
Transform and BP Neural Network
, Jinggangshan, China, 2-4,
April, 2010, 246-249.
21.
B. Dąbrowska, A. Dąbrowski:
Podręcznik elektrokardiografii
, Wy-
dawnictwo Lekarskie PZWL, Warszawa 1993.
22.
Podstawy EKG
, Uniwersytet Medyczny w Łodzi [online],<http://
csk.umed.lodz.pl/ nefrologia/ekg%202.pdf>, 2012
23.
MIT-BIH Arrhythmia Database
[online],
.
org/physiobank/database/mitdb/>, 2012
