Klasifikace mozkové obrny u předčasně narozených dětí

Abstract

Cílem této práce je navrhnout a zrealizovat klasifikátory pro účely klasifikačního rámce, jež slouží k podpoře diagnostiky mozkové obrny u předčasně narozených dětí. Vstupem do klasifikačního rámce jsou buď data z videokamery (2D), nebo z pohybových senzorů (3D), výstupem je reálné číslo od nuly do jedné, které značí míru toho, zda je pacient zdravý, nebo zda je v riziku onemocnění mozkovou obrnou. Klasifikační rámec se skládá ze dvou částí: z trénovací a testovací části a z klasifikační části. Samotný klasifikátor je poslední částí klasifikačního rámce, která je zodpovědná za konečné rozhodnutí. Ostatní části klasifikačního rámce mají za úkol vhodně předzpracovat data pro klasifikaci, tzn. vytvořit trénovací a testovací množinu dat a vhodně upravit klasifikovaná data. Za účelem zahrnutí do klasifikačního rámce byly vytvořeny tři klasifikátory. Klasifikátor k-nejbližších sousedů, Bayesův klasifikátor a perceptronový klasifikátor s jednou skrytou vrstvou. Výsledky z Bayesova klasifikátoru se jeví být jako nejlepší.

The goal of this project was to design and implement classifiers for a classification framework (CF). The function of the CF is to assist to diagnose the cerebral palsy. The input to the CF is data either from the video recording (2D data) or from a capturing device (3D data), the output of the CF is a real value number between 0 and 1. The value of 1 indicates that the infant is healthy, while the value of 0 indicates possibility of the brain disorder. The CF consists of two phases. The training & testing phase (TTP) and the classification/recall phase (CRP). Classifier itself is the last part of the CF, the part responsible for the final decision making. The rest of the CF is responsible for correct preprocessing of the data used for the training and the testing of classifiers and classified (unknown) data itself. The three classifiers were finally implemented for the purpose of classification framework. These classifiers are: k-nearest neighbors classifier, Bayesian classifier and the three layer perceptron neural network classifier. Bayesian classifier seems to have the best results.