بکارگیری یادگیری منیفلد جهت کاهش نویز تصاویر اکوکاردیوگرافی
Publish place: 16th Iranian conference on Biomedical Engineering
Publish Year: 1388
Type: Conference paper
Language: Persian
View: 2,501
This Paper With 5 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
ICBME16_067
Index date: 2 July 2009
بکارگیری یادگیری منیفلد جهت کاهش نویز تصاویر اکوکاردیوگرافی abstract
یادگیری منیفلد ابزاری قدرتمند درجهت کاهش بعد غیرخطی دادگان است. با استفاده از این ابزار پارامترهایی ذاتی سیستم که عامل اصلی تمایز دادگان از یکدیگر بوده شناسایی شده کل مجموعه برروی منیفلدی که بیان کننده ارتباط واقعی پارامترها است. قرار می گیرد و بدین ترتیب ارتباط بین دادگان در فضایی با بعد کمتر بیان می شود. از آنجا که تصاویر اکوکاردیوگرافی اخذشده از یک بیمار براساس پارامترهای کمی از جمله حرکت تناوبی قلب و نویز متفاوت هستند. با الگوریتم مناسب یادگیری منیفلد مجموعه تصاویر در فضای دو بعدی فرونشانده می شوند. دراین مقاله با استفاده از الگوریتم LLE پس از نگاشت چنددوره تناوب تصاویر در فضای دو بعدی، تصاوی مشابه در کنار یکدیگر قرار گرفته و رابطه بین تصاویر بر اساس خاصیت تناوبی ضربان قلب به صورت سیکلیک نمایان می شود. کاهش نویز تصاویر به صورت میانگین گیری تصاویرمشابه برروی منیفلد انجام می گیرد. در نهایت با مقایسه روش پیشنهادی با برخی از روشهای متداول حذف نویز و تحلیل آماری نتایج نشان خواهیم داد که علاوه بر بهبود مربعات خطا و بهبود نسبت سیگنال به نویز، طبق نظر متخصص حداقل محوشدگی را خواهیم داشت.
بکارگیری یادگیری منیفلد جهت کاهش نویز تصاویر اکوکاردیوگرافی Keywords:
بکارگیری یادگیری منیفلد جهت کاهش نویز تصاویر اکوکاردیوگرافی authors
پریسا گیفانی
دانشگاه علم و صنعت ایران
حمید بهنام
دانشگاه علم و صنعت ایران
نسرین احمدی نژاد
دانشگاه علوم پزشکی تهران
رویا ستارزاده بادکوبه
دانشگاه علوم پزشکی تهران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :