Item request has been placed! ×
Item request cannot be made. ×
loading  Processing Request

Prilog neinvazivnim dijagnostičkim metodama sa adaptivnim pristupom detekciji prolapsa mitralne valvule kod pedijatrijskih pacijenata ; Contribution to non-invasive diagnostic methods by adaptive approach for the detection of mitral valve prolapse in pediatrics patients

Item request has been placed! ×
Item request cannot be made. ×
loading   Processing Request
Read More Add to Saved list
  • Additional Information
    • Contributors:
      Jakovljević, Vladimir; Rosić, Mirko; Filipović, Nenad; Milovanović, Dragan; Đukić, Milan
    • Publication Information:
      Универзитет у Крагујевцу, Факултет медицинских наука
    • Publication Date:
      2020
    • Collection:
      NaRDuS (National Repository of Dissertations in Serbia) / Nacionalni Repozitorijum Disertacija u Srbiji
    • Abstract:
      Rano prepoznavanje bolesti srca je od posebne važnosti u pedijatriji. Visoka prevalenca (77-90%) šuma na srcu je značajan problem u ovoj populaciji. Klasičnaa dijagnostika u pedijatrijskoj praksi je baziranaa na neinvazivnim metodama (auskultacija, EKG, Rtg.) koje imaju relativno niske performanse. Zato se procena težine šuma određuje ehokardiografski. Ehokardiografija je uglavnom dostupna u zdravstvenim centrima većih gradova. Cilj ove doktorske disertacije je razvoj jeftine dijagnostičke metode, bazirane na automatskoj detekciji prolapsa mitralne valvule (lokalizacija klik sindroma na fonokardiogramu), kao podrške u razlikovanju benignih i patoloških šumova srca korišćeljem fonokardiografije i auskultacije. Metode: Predloženi metod je baziran na akustičnim signalima srca. Izabrani metod koristi višeslojni perceptron (MLP) sa algoritmom serijskog obučanja i postepnim dolaskom do rešenja propagacijom greške unazad. MLP neuralna mreža se sastoji od feedforward mreže neurona. Neuroni su organizovani u tri sloja (ulazni,skriveni i izlazni sloj). MLP obezbeđuje nelinearno mapiranje između ulaza i izlaza. Svaki neuron MLP koristi nelinearnu sigmoidalnu aktivacionu funkciju. Fonokardiogrami na ulazu u mrežu su automatski klasifikovani u jednu od tri moguće klase (PMV,zdravi,ostali- niti PMV niti zdravi). Prvi korak je kreiranje trening i test skupa za svaku iteraciju krosvalidacije i inicializaciju svih parametara VNM. Drugi korak je backpropagation algoritam: uključuje proračun cost funkcije, postupni dolazak do rešenja i podešavanje težina. Podešavanjem težina minimalizuje se cost funkcija sa ciljem smanjenja greške u klasifikaciji. Poslednji korak je klasifikacija korišćenjem algoritma one-versus-all. Rezultati: VNM sadrži 64.033 neurona u ulaznom sloju (ukučujući jedan neuron kao bias ulaz), 95 neurona u skrivenom sloju i tri neurona u izlaznom sloju ( po jedan za svaku klasu). Ovo je bilo kompromisno rešenje između performansi i tačnosti mreže. Skup ulaznih podataka sadrži 135 fonokardiograma podeljenih u tri ...
    • File Description:
      application/pdf
    • Relation:
      http://eteze.kg.ac.rs/application/showtheses?thesesId=675; https://nardus.mpn.gov.rs/handle/123456789/3710; https://fedorakg.kg.ac.rs/fedora/get/o:310/bdef:Content/download; https://nardus.mpn.gov.rs/bitstream/id/49156/Disertacija.pdf; http://nardus.mpn.gov.rs/bitstream/id/49156/Disertacija.pdf; https://hdl.handle.net/21.15107/rcub_nardus_3710
    • Accession Number:
      10.2298/kg20140207bogdanovic
    • Online Access:
      https://nardus.mpn.gov.rs/handle/123456789/3710
      http://eteze.kg.ac.rs/application/showtheses?thesesId=675
      https://fedorakg.kg.ac.rs/fedora/get/o:310/bdef:Content/download
      https://nardus.mpn.gov.rs/bitstream/id/49156/Disertacija.pdf
      http://nardus.mpn.gov.rs/bitstream/id/49156/Disertacija.pdf
      https://doi.org/10.2298/kg20140207bogdanovic
      https://hdl.handle.net/21.15107/rcub_nardus_3710
    • Rights:
      openAccess ; https://creativecommons.org/licenses/by-nc-sa/4.0/ ; BY-NC-SA
    • Accession Number:
      edsbas.51048565