بترکه چشم حسود    

جستجوی پیشرفته مقالات

     عنوان:

نماد اعتماد الکترونیکی

logo-samandehi

لیست مقالات ترجمه شده

سایر مقالات

امروز
دیروز
هفته جاری
هفته گذشته
ماه جاری
ماه گذشته
بازدید کل
5596
12185
36375
14559372
155846
113705
14883708

آی‌پی شما: 44.200.117.166
امروز: یکشنبه، 02 مهر 1402 شمسی ساعت به وقت گرینویچ: 17:07:39

توجه                           توجه

تمامی مقالات ترجمه شده در قالب فایل ورد (Word)  ارائه می‌شوند.


       دسته‌بندی: مقالات شبکه‌های عصبی       فروش: 0 بازدید: 11768
بهبود طبقه بندی ECG با استفاده از اثر کلی ماژول های شبکه عصبی
    قیمت محصول: 210000 ریال



 

Improving ECG Classification Accuracy Using an Ensemble of Neural Network Modules

Abstract

This paper illustrates the use of a combined neural network model based on Stacked Generalization method for classification of electrocardiogram (ECG) beats. In conventional Stacked Generalization method, the combiner learns to map the base classifiers’ outputs to the target data. We claim adding the input pattern to the base classifiers’ outputs helps the combiner to obtain knowledge about the input space and as the result, performs better on the same task. Experimental results support our claim that the additional knowledge according to the input space, improves the performance of the proposed method which is called Modified Stacked Generalization. In particular, for classification of 14966 ECG beats that were not previously seen during training phase, the Modified Stacked Generalization method reduced the error rate for 12.41% in comparison with the best of ten popular classifier fusion methods including Max, Min, Average, Product, Majority Voting, Borda Count, Decision Templates, Weighted Averaging based on Particle Swarm Optimization and Stacked Generalization.

pdfدانلود رایگان مقاله انگلیسی                    565.52 KB

 

چکیده
این مقاله، استفاده از مدل شبکه عصبی ترکیبی مبتنی بر روش تعمیم پشته ای را برای طبقه بندی ضربان های الکتروکاردیوگرام (ECG) نشان می دهد. در روش تعمیم پشته ای سابق، ترکیب کننده نگاشت خروجی های طبقه بندی کننده های پایه را به داده های هدف یاد می گیرد. ادعا می کنیم که افزودن الگوی ورود به خروجی های طبقه بندی کننده های پایه به ترکیب کننده کمک می کند تا به دانش مربوط به فضای ورودی دست یابد و در نتیجه، روی کار یکسان بهتر عمل کند. نتایج تجربی ادعای ما را حمایت می کنند که دانش اضافی مربوط به فضای ورودی، کارایی روش پیشنهادی را که تعمیم پشته ای اصلاح شده نامیده می شود، بهبود می بخشد. مخصوصا، برای طبقه بندی ضربان های 14966 ECG که قبلا در طول فاز آموزش مشاهده نشده اند، روش تعمیم پشته ای اصلاح شده، نرخ خطا را برای 12.41% در مقایسه با بهترین ده روش ترکیب طبقه بندی کننده مشهور شامل Max، Min، میانگین، ضرب، رای اکثریت، شمارش بوردا، قالب های تصمیم، میانگین وزن دار مبتنی بر بهینه سازی ازدحام ذرات و تعمیم پشته ای کاهش داده است.

تعداد صفحات مقاله انگلیسی: 13 صفحه
تعداد صفحات مقاله فارسی: 33 صفحه


لینک دانلود فایل خریداری شده بلافاصله بعد از پرداخت آنلاین فعال می‌شود