Metody výběru vhodných příznaků pro klasifikační úlohy z oblasti biomedicínského inženýrství
Methods of Feature Selection for Classification Tasks from the Area of Biomedical Engineering
Type of document
bakalářská prácebachelor thesis
Author
Kuchařová Markéta
Supervisor
Jiřina Marcel
Opponent
Páta Petr
Field of study
Biomedicínská a klinická technikaStudy program
Biomedicínská a klinická technikaInstitutions assigning rank
katedra biomedicínské technikyDefended
2007-06-26Rights
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Show full item recordAbstract
Cílem této práce bylo naimplementovat v prostředí Matlab vybrané metody výběru příznaků, vhodné pro biomedicínská data. Byly naimplementovány metody dopředného výběru, zpětného výběru, shlukové analýzy a genetických algoritmů. Jejich funkč nost byla ověřena v rámci klasifikačního řetězce detekujícího míru ohrožení mozkovou obr nou u předčasně narozených dětí. Výběr příznaků má své uplatnění při procesech předzpracování dat, kdy určuje a vybírá, většinou z velkého množství vstupních dat, data nejvíce určuj ící či potřebná pro následnou klasifikaci. Nejlepších výsledků na poskytnutých datech dosahovala metoda shlukové analýzy. The goal of this project was to implement in Matlab some methods of feature selection, ideal for biomedical data. There are implemented methods of forwar d selection, backward selection, cluster analysis and genetic algorithm. Methods were tes ted in classification framework which has to analyse movement of newborns at risk f or developing spasticity due to infantile cerebral palsy. Feature selection is very common by data preprocessing, where it select the most useful data from the input system for the consequential classification. The best conclusion on avalaible data sets ge t the cluster analysis.
Collections
- Bakalářské práce - 17110 [869]