Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

Publikacje Pracowników PL z lat 1990-2010

Publikacje pracowników Politechniki Lubelskie z lat 1990-2010 dostępne są jak dotychczas w starej bazie publikacji
LINK DO STAREJ BAZY

MNiSW
140
konferencja
Status:
Autorzy: Przysucha Bartosz, Rymarczyk Tomasz, Wójcik Dariusz, Woś Michał, Vejar Andres
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Wersja dokumentu: Elektroniczna
Język: angielski
Strony: 63 - 64
Web of Science® Times Cited: 1
Scopus® Cytowania: 3
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Materiał konferencyjny: TAK
Nazwa konferencji: 50th Annual IEEE/IFIP International Conference on Dependable Systems and Networks DSN 2020
Skrócona nazwa konferencji: DSN 2020
URL serii konferencji: LINK
Termin konferencji: 29 czerwca 2020 do 2 lipca 2020
Miasto konferencji: Valencia
Państwo konferencji: HISZPANIA
Publikacja OA: NIE
Abstrakty: angielski
Electrocardiogram (ECG) signals are widely used to classify a spectrum of human diseases, given the functional importance of the heart in the overall body activity. For automated classification, the degree of membership of an instance of ECG data to a particular disease can be measured using an indicator function. We use online classification and therefore this membership score is affected by fluctuations in the input data. A deterioration in the classification task is perceived when strong noise input signals are acquired or when disruption events qualitatively affects the input signal. The present work implements a method for detecting disruption events and noise in the ECG signal. The purpose of this method is to improve the quality and the reliability of the classification task for real measurements. The indicator function for disease classification using ECG data is based in the k-means cluster analysis method.