tailieunhanh - So sánh mô hình học sâu với các phương pháp học tự động khác để nhận dạng gai động kinh biểu hiện trên đối tượng bệnh nhân động kinh

Bài viết đề xuất huấn luyện mô hình mạng tích chập mạng nơron tích chập để nhận dạng gai động kinh và so sánh hiệu quả của mạng nơron tích chập với các giải thuật khác. | Tạp chí Khoa học và Công nghệ 145 2020 021-026 So sánh mô hình học sâu với các phương pháp học tự động khác để nhận dạng gai động kinh biểu hiện trên đối tượng bệnh nhân động kinh Comparison of Deep Learning Model with other Automatic Learning Models for Recognizing Spikes Expressed from Epilepsy Patients Lê Thanh Xuyến Nguyễn Đức Thuận Trường Đại học Bách khoa Hà Nội Số 1 Đại Cồ Việt Hai Bà Trưng Hà Nội Việt Nam Đến Tòa soạn 10-02-2020 chấp nhận đăng 25-09-2020 Tóm tắt Trong chẩn đoán lâm sàng bệnh động kinh bằng dữ liệu điện não EEG khả năng tự động phát hiện và phân loại một cách chính xác các gai động kinh là hữu ích và rất có ý nghĩa về y học. Bài báo giới thiệu một cách tiếp cận mới để phát hiện tự động gai động kinh spike epilepsy . Hiện nay phân loại gai động kinh đã được thực hiện dựa trên nhiều phương pháp kết hợp của các mô hình machine learning. Nghiên cứu này chỉ ra một mô hình kết hợp mới mà cụ thể lấy deep learning làm tập con của machine learning để thực hiện phân loại các gai động kinh dựa trên nguồn dữ liệu chuẩn đã có. Nghiên cứu cũng thực hiện mô hình thực nghiệm với nhiều các mô hình học sâu khác để đánh giá khả năng ứng dụng mô hình trong việc phát hiện gai động kinh. Kết quả thực nghiệm cho thấy mô hình xây dựng có độ chính xác cao 98 8 so với các nghiên cứu khác. Từ khóa Mạng nơron tích chập CNN học sâu deep learning học máy machine learning gai động kinh các dạng sóng nhọn tín hiệu điện não đồ EEG . Abstract In the clinical diagnosis of epilepsy using EEG data the ability to automatically detect and correctly classify epilepsy spikes is helpful and significant for medicines. The article introduces a new approach for automatic detection of spike. Currently epilepsy classification has been progressed based on many combined methods of machine learning models. This study investigates a new combined model that specifically takes deep learning as a subset of machine learning to perform the classification of epilepsy based on existing standard .