Machine learning pathology detection with a body surface potential mapping
Fragment książki (Materiały konferencyjne)
MNiSW
200
konferencja
| Status: | |
| Autorzy: | Wójcik Dariusz, Kozłowski Edward, Woś Michał, Rymarczyk Tomasz, Wośko Elżbieta |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Elektroniczna |
| Język: | angielski |
| Strony: | 151 - 155 |
| Web of Science® Times Cited: | 1 |
| Scopus® Cytowania: | 3 |
| Bazy: | Web of Science | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | UbiComp/ISWC '20 : 2020 ACM International Joint Conference on Pervasive and Ubiquitous Computing and 2020 ACM International Symposium on Wearable Computers |
| Skrócona nazwa konferencji: | UbiComp/ISWC ' 20 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 12 września 2020 do 17 września 2020 |
| Miasto konferencji: | Meksyk |
| Państwo konferencji: | MEKSYK |
| Publikacja OA: | NIE |
| Abstrakty: | angielski |
| The development of technology has enabled the construction of various expert systems that can now assist experts in disease recognition. Nowadays, most of the expert systems are based on decision trees. The parameters inside a decision tree are based on experts' knowledge and scientific data which vary slightly depending on the expert and source. To deal with this problem, we developed a complete medical system in which electrical impedance tomography and body surface potential mapping are used to measure the patient biosignals. The system focuses on the cardiorespiratory biosignals. With the use of machine learning, we analyze each measured channel and show which channel should be taken into account in the detection of pathologies. We show that the channels that are important for machine learning are different from those used by experts in 12-channel ECG. |
