Senarai Penerbitan
Terdapat sebilangan besar penyelidikan berkaitan autisme yang boleh dijumpai di Malaysia yang umumnya menumpukan pada ASD, gangguan pembelajaran, alat bantu komunikasi, terapi dan banyak lagi. Senarai penerbitan disediakan di bawah:
- Klik ini untuk mencari menggunakan kata kunci yang ditentukan oleh pengguna.
- Ia akan membawa kepada laman web baru dengan kotak carian teks.
- Taip kata kunci anda di kotak carian
- Klik pada Kata kunci untuk mencari sebarang penerbitan. Kata yang lebih besar menunjukkan tanda yang paling banyak digunakan dan kata yang lebih kecil menunjukkan yang paling sedikit digunakan.
- Klik pada butang lungsur untuk memilih bertahun-tahun, jenis penerbitan atau pengarang pilihan anda.
- Klik pada perkataan bergaris bawah dalam perincian penerbitan untuk melihat lebih banyak maklumat.
2020 |
Liang, S; Loo, C K; Sabri, Md A Q Nota Kuliah dalam Kejuruteraan Elektrik, 621 , hlm. 421-430, 2020, ISSN: 18761100, (dipetik oleh 0). Abstrak | Pautan | BibTeX | Tag: Kecerdasan Buatan, Gangguan Spektrum Autisme, Kanak-kanak Autistik, Melupakan Bencana, Kanak-kanak dengan Autisme, Diagnosis, Penyakit, E-pembelajaran, Pendekatan Hibrid, Belajar, Rangkaian Neural, Objektif Utama, Sistem Berskala, Koherensi Temporal, Pembelajaran Dalam Talian Tanpa Pengawasan @artikel{Liang2020421, tajuk = {Klasifikasi Gangguan Spektrum Autisme dalam Video: Hibrid Rangkaian Jauh Koherensi Temporal dan Pendekatan Memori Dual yang mengatur sendiri}, pengarang = {S Liang dan C K Loo dan A Q Md Sabri}, penyunting = {Kim H -Y Kim K.J.}, url = {https://www.scopus.com/inward/record.uri?eid = 2-s2.0-85077496650&doi = 10.1007% 2f978-981-15-1465-4_42&rakan kongsi = 40&md5 = 8d885d212faf9e5a9d686c58a2e4eecd}, doi = {10.1007/978-981-15-1465-4_42}, terbitan = {18761100}, tahun = {2020}, tarikh = {2020-01-01}, jurnal = {Nota Kuliah dalam Kejuruteraan Elektrik}, isi padu = {621}, halaman = {421-430}, penerbit = {Pemecut}, abstrak = {Autisme ketika ini, gangguan biasa. Prevalensi Gangguan Spektrum Autisme (ASD) dilaporkan 1 dalam setiap 88 individu. Diagnosis awal ASD mempunyai kesan yang signifikan terhadap kehidupan kanak-kanak autis dan ibu bapa mereka, atau penjaga mereka. Dalam kertas ini, kami telah membangunkan model pembelajaran dalam talian tanpa pengawasan untuk klasifikasi ASD. Pendekatan yang dicadangkan adalah pendekatan hibrid, terdiri, pendekatan jaringan dalam koherensi temporal, dan, pendekatan memori berkembar yang mengatur sendiri. Objektif utama penyelidikan adalah, mempunyai sistem berskala yang dapat mencapai pembelajaran dalam talian, dan, mampu mengelakkan fenomena lupa bencana dalam rangkaian saraf. Kami telah menilai pendekatan kami menggunakan set data khusus ASD, dan memperoleh hasil yang menjanjikan yang cenderung menyokong objektif keseluruhan penyelidikan. © Springer Nature Singapore Pte Ltd 2020.}, nota = {dipetik oleh 0}, kata kunci = {Kecerdasan Buatan, Gangguan Spektrum Autisme, Kanak-kanak Autistik, Melupakan Bencana, Kanak-kanak dengan Autisme, Diagnosis, Penyakit, E-pembelajaran, Pendekatan Hibrid, Belajar, Rangkaian Neural, Objektif Utama, Sistem Berskala, Koherensi Temporal, Pembelajaran Dalam Talian Tanpa Pengawasan}, pubstate = {diterbitkan}, tppubtype = {artikel} } Autisme ketika ini, gangguan biasa. Prevalensi Gangguan Spektrum Autisme (ASD) dilaporkan 1 dalam setiap 88 individu. Diagnosis awal ASD mempunyai kesan yang signifikan terhadap kehidupan kanak-kanak autis dan ibu bapa mereka, atau penjaga mereka. Dalam kertas ini, kami telah membangunkan model pembelajaran dalam talian tanpa pengawasan untuk klasifikasi ASD. Pendekatan yang dicadangkan adalah pendekatan hibrid, terdiri, pendekatan jaringan dalam koherensi temporal, dan, pendekatan memori berkembar yang mengatur sendiri. Objektif utama penyelidikan adalah, mempunyai sistem berskala yang dapat mencapai pembelajaran dalam talian, dan, mampu mengelakkan fenomena lupa bencana dalam rangkaian saraf. Kami telah menilai pendekatan kami menggunakan set data khusus ASD, dan memperoleh hasil yang menjanjikan yang cenderung menyokong objektif keseluruhan penyelidikan. © Springer Nature Singapore Pte Ltd 2020. |
2019 |
Hasan, C Z C; Jailani, R; Tahir, N M 2018-Oktober , Institut Jurutera Elektrik dan Elektronik Inc., 2019, ISSN: 21593442, (dipetik oleh 0). Abstrak | Pautan | BibTeX | Tag: 10 Pengesahan Lipatan Silang, 3D Pemodelan, Gangguan Spektrum Autisme, Biofizik, Membuat Keputusan Klinikal, Diagnosis Berbantu Komputer, Membuat keputusan, Analisis Diskriminan, Penyakit, Analisis Gait, Klasifikasi Gait, Angkatan Tindak Balas Tanah, Rangkaian Neural, Teknik Parameterisasi, Pengecaman Corak, Penilaian Takungan Petroleum, Diagnostik Program, Mesin Vektor Sokongan, Rawatan yang disasarkan, Tiga Dimensi @ persidangan{Hasan20192436, tajuk = {Pengelasan ANN dan SVM dalam Mengenal pasti Gait Gangguan Autisme Spectrum Berdasarkan Angkatan Reaksi Tanah Tiga Dimensi}, pengarang = {C Z C Hasan and R Jailani and N M Tahir}, url = {https://www.scopus.com/inward/record.uri?eid = 2-s2.0-85063202256&doi=10.1109/TENCON.2018.8650468&rakan kongsi = 40&md5 = c697d0c43ebd77d76d74cb3726872f42}, doi = {10.1109/TENCON.2018.8650468}, terbitan = {21593442}, tahun = {2019}, tarikh = {2019-01-01}, jurnal = {Wilayah IEEE 10 Persidangan Antarabangsa Tahunan, Prosiding / TENCON}, isi padu = {2018-Oktober}, halaman = {2436-2440}, penerbit = {Institut Jurutera Elektrik dan Elektronik Inc.}, abstrak = {Gangguan spektrum autisme (ASD) adalah keadaan perkembangan saraf yang kompleks dan sepanjang hayat yang berlaku pada awal kanak-kanak dan dikaitkan dengan pergerakan dan gangguan berjalan yang tidak biasa. Pengiktirafan ASD kiprah automatik dan tepat memberikan bantuan dalam diagnosis dan membuat keputusan klinikal serta meningkatkan rawatan yang disasarkan. Makalah ini meneroka penggunaan dua pengelasan pembelajaran mesin yang terkenal, rangkaian saraf tiruan (ANN) dan menyokong mesin vektor (SVM) dalam membezakan ASD dan corak gaya berjalan normal berdasarkan ciri-ciri gaya berjalan yang berasal dari tiga dimensi (3D) daya tindak balas tanah (GRF) data. Data GRF 3D dari 30 kanak-kanak dengan ASD dan 30 kebiasaannya kanak-kanak yang sedang berkembang diperoleh menggunakan dua plat kekuatan semasa kelajuan berjalan kaki tanpa alas kaki. Teknik parameterisasi siri masa diterapkan pada bentuk gelombang 3D GRF untuk mengekstrak ciri gaya penting. Kaedah analisis diskriminan bertahap (SWDA) digunakan untuk menentukan ciri gaya GRF yang dominan untuk mengklasifikasikan ASD dan kumpulan yang biasanya berkembang. Hasil ujian pengesahan silang 10 kali ganda menunjukkan bahawa model ANN dengan tiga ciri input GRF yang dominan mengatasi model SVM berasaskan kernel dengan 93.3% ketepatan, 96.7% kepekaan, dan 90.0% kekhususan. Dapatan kajian ini menunjukkan kebolehpercayaan menggunakan ciri input 3D GRF, dalam kombinasi dengan pemilihan ciri SWDA dan model klasifikasi ANN sebagai kaedah yang sesuai yang mungkin bermanfaat untuk diagnosis kiprah ASD dan juga untuk tujuan penilaian program rawatan. © 2018 IEEE.}, nota = {dipetik oleh 0}, kata kunci = {10 Pengesahan Lipatan Silang, 3D Pemodelan, Gangguan Spektrum Autisme, Biofizik, Membuat Keputusan Klinikal, Diagnosis Berbantu Komputer, Membuat keputusan, Analisis Diskriminan, Penyakit, Analisis Gait, Klasifikasi Gait, Angkatan Tindak Balas Tanah, Rangkaian Neural, Teknik Parameterisasi, Pengecaman Corak, Penilaian Takungan Petroleum, Diagnostik Program, Mesin Vektor Sokongan, Rawatan yang disasarkan, Tiga Dimensi}, pubstate = {diterbitkan}, tppubtype = {persidangan} } Gangguan spektrum autisme (ASD) adalah keadaan perkembangan saraf yang kompleks dan sepanjang hayat yang berlaku pada awal kanak-kanak dan dikaitkan dengan pergerakan dan gangguan berjalan yang tidak biasa. Pengiktirafan ASD kiprah automatik dan tepat memberikan bantuan dalam diagnosis dan membuat keputusan klinikal serta meningkatkan rawatan yang disasarkan. Makalah ini meneroka penggunaan dua pengelasan pembelajaran mesin yang terkenal, rangkaian saraf tiruan (ANN) dan menyokong mesin vektor (SVM) dalam membezakan ASD dan corak gaya berjalan normal berdasarkan ciri-ciri gaya berjalan yang berasal dari tiga dimensi (3D) daya tindak balas tanah (GRF) data. Data GRF 3D dari 30 kanak-kanak dengan ASD dan 30 kebiasaannya kanak-kanak yang sedang berkembang diperoleh menggunakan dua plat kekuatan semasa kelajuan berjalan kaki tanpa alas kaki. Teknik parameterisasi siri masa diterapkan pada bentuk gelombang 3D GRF untuk mengekstrak ciri gaya penting. Kaedah analisis diskriminan bertahap (SWDA) digunakan untuk menentukan ciri gaya GRF yang dominan untuk mengklasifikasikan ASD dan kumpulan yang biasanya berkembang. Hasil ujian pengesahan silang 10 kali ganda menunjukkan bahawa model ANN dengan tiga ciri input GRF yang dominan mengatasi model SVM berasaskan kernel dengan 93.3% ketepatan, 96.7% kepekaan, dan 90.0% kekhususan. Dapatan kajian ini menunjukkan kebolehpercayaan menggunakan ciri input 3D GRF, dalam kombinasi dengan pemilihan ciri SWDA dan model klasifikasi ANN sebagai kaedah yang sesuai yang mungkin bermanfaat untuk diagnosis kiprah ASD dan juga untuk tujuan penilaian program rawatan. © 2018 IEEE. |
2018 |
Sudirman, R; Hussin, S S; Airij, A G; Hai, C Z Penunjuk profil untuk kanak-kanak autistik menggunakan potensi biosignal EEG untuk tugas deria Persidangan Institut Jurutera Elektrik dan Elektronik Inc., 2018, ISBN: 9781538612774, (dipetik oleh 0). Abstrak | Pautan | BibTeX | Tag: Kanak-kanak Autistik, Pemprosesan Isyarat Bioperubatan, Otak, Kanak-kanak dengan Autisme, Elektroensefalografi, Elektrofisiologi, Anggaran Entropi, Analisis Komponen Bebas, MATLAB, Rangkaian Neural, Masalah Neurologi, Analisis Deria, Profil Deria, Rangsangan Deria, Paket Wavelet Berubah @ persidangan{Sudirman2018136, tajuk = {Penunjuk profil untuk kanak-kanak autistik menggunakan potensi biosignal EEG untuk tugas deria}, pengarang = {R Sudirman dan SS Hussin dan A G Airij dan C Z Hai}, url = {https://www.scopus.com/inward/record.uri?eid=2-s2.0-85058032461&doi = 10.1109% 2fICBAPS.2018.8527403&rakan kongsi = 40&md5=30dbb1596f4a0529332713c087bd788d}, doi = {10.1109/ICBAPS.2018.8527403}, isbn = {9781538612774}, tahun = {2018}, tarikh = {2018-01-01}, jurnal = {2nd Persidangan Antarabangsa mengenai Analisis BioSignal, Pemprosesan dan Sistem, ICBAPS 2018}, halaman = {136-141}, penerbit = {Institut Jurutera Elektrik dan Elektronik Inc.}, abstrak = {Elektroensefalografi (LIHAT) ialah ukuran voltan yang disebabkan oleh aktiviti saraf di dalam otak. EEG ialah alat yang disyorkan untuk mendiagnosis masalah neurologi kerana ia tidak invasif dan boleh direkodkan dalam tempoh masa yang lebih lama.. Kanak-kanak Autism Spectrum Disorder (ASD) mengalami kesukaran untuk meluahkan emosi mereka kerana ketidakupayaan mereka memproses maklumat yang betul dalam otak. Oleh itu, penyelidikan ini bertujuan untuk membina profil deria dengan bantuan potensi biosignal EEG untuk membezakan antara tindak balas deria yang berbeza. Isyarat EEG yang diperoleh dalam penyelidikan ini mengenal pasti keadaan emosi yang berbeza seperti berfikiran positif atau super-pembelajaran dan relaksasi ringan dan berada dalam julat frekuensi 8-12 Hertz. 64 kanak-kanak mengambil bahagian dalam penyelidikan ini antaranya 34 adalah kanak-kanak dengan ASD dan 30 adalah kanak-kanak biasa. Data EEG dikod semula manakala semua kanak-kanak dibekalkan dengan vestibular, visual, bunyi, rasa dan rangsangan deria vestibular. Data EEG mentah telah ditapis dengan bantuan analisis komponen bebas (ICA) menggunakan transformasi wavelet dan perisian EEGLAB. Nanti, untuk membina profil deria, penghampiran entropi, min dan sisihan piawai telah diekstrak daripada isyarat EEG yang ditapis. Bersama-sama dengan itu, data EEG yang ditapis juga disalurkan ke rangkaian saraf (NN) algoritma yang telah dilaksanakan dalam MATLAB. Keputusan daripada isyarat EEG yang diperoleh menggambarkan bahawa semasa fasa rangsangan deria, respons semua kanak-kanak autisme berada dalam keadaan tidak stabil. Penemuan ini akan melengkapkan dan membantu strategi pembelajaran mereka pada masa hadapan. © 2018 IEEE.}, nota = {dipetik oleh 0}, kata kunci = {Kanak-kanak Autistik, Pemprosesan Isyarat Bioperubatan, Otak, Kanak-kanak dengan Autisme, Elektroensefalografi, Elektrofisiologi, Anggaran Entropi, Analisis Komponen Bebas, MATLAB, Rangkaian Neural, Masalah Neurologi, Analisis Deria, Profil Deria, Rangsangan Deria, Paket Wavelet Berubah}, pubstate = {diterbitkan}, tppubtype = {persidangan} } Elektroensefalografi (LIHAT) ialah ukuran voltan yang disebabkan oleh aktiviti saraf di dalam otak. EEG ialah alat yang disyorkan untuk mendiagnosis masalah neurologi kerana ia tidak invasif dan boleh direkodkan dalam tempoh masa yang lebih lama.. Kanak-kanak Autism Spectrum Disorder (ASD) mengalami kesukaran untuk meluahkan emosi mereka kerana ketidakupayaan mereka memproses maklumat yang betul dalam otak. Oleh itu, penyelidikan ini bertujuan untuk membina profil deria dengan bantuan potensi biosignal EEG untuk membezakan antara tindak balas deria yang berbeza. Isyarat EEG yang diperoleh dalam penyelidikan ini mengenal pasti keadaan emosi yang berbeza seperti berfikiran positif atau super-pembelajaran dan relaksasi ringan dan berada dalam julat frekuensi 8-12 Hertz. 64 kanak-kanak mengambil bahagian dalam penyelidikan ini antaranya 34 adalah kanak-kanak dengan ASD dan 30 adalah kanak-kanak biasa. Data EEG dikod semula manakala semua kanak-kanak dibekalkan dengan vestibular, visual, bunyi, rasa dan rangsangan deria vestibular. Data EEG mentah telah ditapis dengan bantuan analisis komponen bebas (ICA) menggunakan transformasi wavelet dan perisian EEGLAB. Nanti, untuk membina profil deria, penghampiran entropi, min dan sisihan piawai telah diekstrak daripada isyarat EEG yang ditapis. Bersama-sama dengan itu, data EEG yang ditapis juga disalurkan ke rangkaian saraf (NN) algoritma yang telah dilaksanakan dalam MATLAB. Keputusan daripada isyarat EEG yang diperoleh menggambarkan bahawa semasa fasa rangsangan deria, respons semua kanak-kanak autisme berada dalam keadaan tidak stabil. Penemuan ini akan melengkapkan dan membantu strategi pembelajaran mereka pada masa hadapan. © 2018 IEEE. |
Hariharan, M; Sindhu, R; Vijean, V; Yazid, H; Nadarajaw, T; Yaacob, S; Polat, K Improved binary dragonfly optimization algorithm and wavelet packet based non-linear features for infant cry classification Artikel Jurnal Computer Methods and Programs in Biomedicine, 155 , hlm. 39-51, 2018, ISSN: 01692607, (dipetik oleh 21). Abstrak | Pautan | BibTeX | Tag: Accidents, Algoritma, Artikel, Artificial Neural Network, Asphyxia, Binary Dragonfly Optimization Aalgorithm, Pengelasan (maklumat), Classification Algorithm, Pengelas, Coding, Computer-Assisted, Constants and Coefficients, Crying, Database Systems, Databases, Deafness, Diagnosis, Energy, Entropy, Pengekstrakan, Extreme Learning Machine, Factual, Factual Database, Pengekstrakan Ciri, Kaedah Pemilihan Ciri, Fuzzy System, Hearing Impairment, Manusia, Kelaparan, Bayi, Infant Cry, Infant Cry Classifications, Jaundice, Kernel Method, Belajar, Linear Predictive Coding, Pembelajaran Mesin, Mathematical Transformations, Mel Frequency Cepstral Coefficient, Pekali Cepstral Frekuensi Mel, Multi-Class Classification, Rangkaian Neural, Nonlinear Dynamics, Nonlinear System, Optimization, Pain, Patofisiologi, Prematurity, Kebolehulangan, Kebolehulangan Keputusan, Pemprosesan isyarat, Pengenalan suara, Wavelet Analysis, Wavelet Packet, Paket Wavelet Berubah @artikel{Hariharan201839, tajuk = {Improved binary dragonfly optimization algorithm and wavelet packet based non-linear features for infant cry classification}, pengarang = {M Hariharan and R Sindhu and V Vijean and H Yazid and T Nadarajaw and S Yaacob and K Polat}, url = {https://www.scopus.com/inward/record.uri?eid=2-s2.0-85036611215&doi=10.1016%2fj.cmpb.2017.11.021&rakan kongsi = 40&md5=1f3b17817b00f07cadad6eb61c0f4bf9}, doi = {10.1016/j.cmpb.2017.11.021}, terbitan = {01692607}, tahun = {2018}, tarikh = {2018-01-01}, jurnal = {Computer Methods and Programs in Biomedicine}, isi padu = {155}, halaman = {39-51}, penerbit = {Elsevier Ireland Ltd}, abstrak = {Background and objective Infant cry signal carries several levels of information about the reason for crying (hunger, pain, sleepiness and discomfort) or the pathological status (asphyxia, deaf, jaundice, premature condition and autism, etc.) of an infant and therefore suited for early diagnosis. Dalam kerja ini, combination of wavelet packet based features and Improved Binary Dragonfly Optimization based feature selection method was proposed to classify the different types of infant cry signals. Methods Cry signals from 2 different databases were utilized. First database contains 507 cry samples of normal (N), 340 cry samples of asphyxia (A), 879 cry samples of deaf (D), 350 cry samples of hungry (H) dan 192 cry samples of pain (P). Second database contains 513 cry samples of jaundice (J), 531 samples of premature (Prem) dan 45 samples of normal (N). Wavelet packet transform based energy and non-linear entropies (496 ciri-ciri), Linear Predictive Coding (LPC) based cepstral features (56 ciri-ciri), Mel-frequency Cepstral Coefficients (MFCCs) were extracted (16 ciri-ciri). The combined feature set consists of 568 ciri-ciri. To overcome the curse of dimensionality issue, improved binary dragonfly optimization algorithm (IBDFO) was proposed to select the most salient attributes or features. Akhirnya, Extreme Learning Machine (ELM) kernel classifier was used to classify the different types of infant cry signals using all the features and highly informative features as well. Results Several experiments of two-class and multi-class classification of cry signals were conducted. In binary or two-class experiments, maximum accuracy of 90.18% for H Vs P, 100% for A Vs N, 100% for D Vs N and 97.61% J Vs Prem was achieved using the features selected (only 204 features out of 568) by IBDFO. For the classification of multiple cry signals (multi-class problem), the selected features could differentiate between three classes (N, A & D) with the accuracy of 100% and seven classes with the accuracy of 97.62%. Conclusion The experimental results indicated that the proposed combination of feature extraction and selection method offers suitable classification accuracy and may be employed to detect the subtle changes in the cry signals. © 2017 Elsevier B.V.}, nota = {dipetik oleh 21}, kata kunci = {Accidents, Algoritma, Artikel, Artificial Neural Network, Asphyxia, Binary Dragonfly Optimization Aalgorithm, Pengelasan (maklumat), Classification Algorithm, Pengelas, Coding, Computer-Assisted, Constants and Coefficients, Crying, Database Systems, Databases, Deafness, Diagnosis, Energy, Entropy, Pengekstrakan, Extreme Learning Machine, Factual, Factual Database, Pengekstrakan Ciri, Kaedah Pemilihan Ciri, Fuzzy System, Hearing Impairment, Manusia, Kelaparan, Bayi, Infant Cry, Infant Cry Classifications, Jaundice, Kernel Method, Belajar, Linear Predictive Coding, Pembelajaran Mesin, Mathematical Transformations, Mel Frequency Cepstral Coefficient, Pekali Cepstral Frekuensi Mel, Multi-Class Classification, Rangkaian Neural, Nonlinear Dynamics, Nonlinear System, Optimization, Pain, Patofisiologi, Prematurity, Kebolehulangan, Kebolehulangan Keputusan, Pemprosesan isyarat, Pengenalan suara, Wavelet Analysis, Wavelet Packet, Paket Wavelet Berubah}, pubstate = {diterbitkan}, tppubtype = {artikel} } Background and objective Infant cry signal carries several levels of information about the reason for crying (hunger, pain, sleepiness and discomfort) or the pathological status (asphyxia, deaf, jaundice, premature condition and autism, etc.) of an infant and therefore suited for early diagnosis. Dalam kerja ini, combination of wavelet packet based features and Improved Binary Dragonfly Optimization based feature selection method was proposed to classify the different types of infant cry signals. Methods Cry signals from 2 different databases were utilized. First database contains 507 cry samples of normal (N), 340 cry samples of asphyxia (A), 879 cry samples of deaf (D), 350 cry samples of hungry (H) dan 192 cry samples of pain (P). Second database contains 513 cry samples of jaundice (J), 531 samples of premature (Prem) dan 45 samples of normal (N). Wavelet packet transform based energy and non-linear entropies (496 ciri-ciri), Linear Predictive Coding (LPC) based cepstral features (56 ciri-ciri), Mel-frequency Cepstral Coefficients (MFCCs) were extracted (16 ciri-ciri). The combined feature set consists of 568 ciri-ciri. To overcome the curse of dimensionality issue, improved binary dragonfly optimization algorithm (IBDFO) was proposed to select the most salient attributes or features. Akhirnya, Extreme Learning Machine (ELM) kernel classifier was used to classify the different types of infant cry signals using all the features and highly informative features as well. Results Several experiments of two-class and multi-class classification of cry signals were conducted. In binary or two-class experiments, maximum accuracy of 90.18% for H Vs P, 100% for A Vs N, 100% for D Vs N and 97.61% J Vs Prem was achieved using the features selected (only 204 features out of 568) by IBDFO. For the classification of multiple cry signals (multi-class problem), the selected features could differentiate between three classes (N, A & D) with the accuracy of 100% and seven classes with the accuracy of 97.62%. Conclusion The experimental results indicated that the proposed combination of feature extraction and selection method offers suitable classification accuracy and may be employed to detect the subtle changes in the cry signals. © 2017 Elsevier B.V. |
2017 |
Ilias, S; Tahir, N M; Jailani, R; Hasan, C Z C Analisis Diskriminasi Linear dalam Mengklasifikasikan Gait Berjalan Kanak-Kanak Autistik Persidangan Institut Jurutera Elektrik dan Elektronik Inc., 2017, ISBN: 9781538614099, (dipetik oleh 0). Abstrak | Pautan | BibTeX | Tag: Autisme, Kanak-kanak Autistik, Kanak-kanak dengan Autisme, Analisis Diskriminan, Penyakit, Pengekstrakan, Pengekstrakan Ciri, Analisis Gait, Klasifikasi Gait, Kinematik, Analisis Diskriminasi Linear, Sistem Analisis Pergerakan, Rangkaian Neural, Analisis Komponen Utama, Tiga Dimensi @ persidangan{elias201767, tajuk = {Analisis Diskriminasi Linear dalam Mengklasifikasikan Gait Berjalan Kanak-Kanak Autistik}, pengarang = {S Ilias and N M Tahir and R Jailani and C Z C Hasan}, url = {https://www.scopus.com/inward/record.uri?eid=2-s2.0-85048377850&doi = 10.1109% 2fEMS.2017.22&rakan kongsi = 40&md5=06de53be2b4f3976ddcc420067ab6e44}, doi = {10.1109/EMS.2017.22}, isbn = {9781538614099}, tahun = {2017}, tarikh = {2017-01-01}, jurnal = {Prosiding - Simposium Permodelan Eropah ke-11 UKSim-AMSS mengenai Permodelan dan Simulasi Komputer, EMS 2017}, halaman = {67-72}, penerbit = {Institut Jurutera Elektrik dan Elektronik Inc.}, abstrak = {Matlamat penyelidikan ini adalah untuk menyiasat keberkesanan antara Analisis Komponen Utama (PCA) dan Analisis Diskriminasi Linear (LDA) bersama dengan rangkaian saraf (NN) dalam mengklasifikasikan gaya berjalan kanak-kanak autisme berbanding kumpulan kawalan. Dua belas kanak-kanak autistik dan tiga puluh dua kanak-kanak normal mengambil bahagian dalam kajian ini. Pertama, gaya berjalan kedua-dua kumpulan ini diperoleh menggunakan Sistem Analisis Gerakan VICON untuk mengekstrak tiga dimensi (3D) ciri gait yang terdiri daripada 21 ciri gait iaitu lima ciri daripada spatial temporal asas, lima ciri mewakili parameter kinetik dan dua belas ciri dari kinematik. Selanjutnya, PCA dan LDA digunakan sebagai pengekstrakan ciri dalam menentukan ciri penting antara ciri gaya berjalan ini. Dengan NN sebagai pengelas, keputusan menunjukkan bahawa LDA sebagai pengekstrakan ciri mengatasi PCA untuk klasifikasi autisme berbanding kanak-kanak normal iaitu corak gaya berjalan kinematik yang dicapai 98.44% ketepatan diikuti oleh ciri gaya berjalan spatial temporal asas dengan ketepatan 87.5%. © 2017 IEEE.}, nota = {dipetik oleh 0}, kata kunci = {Autisme, Kanak-kanak Autistik, Kanak-kanak dengan Autisme, Analisis Diskriminan, Penyakit, Pengekstrakan, Pengekstrakan Ciri, Analisis Gait, Klasifikasi Gait, Kinematik, Analisis Diskriminasi Linear, Sistem Analisis Pergerakan, Rangkaian Neural, Analisis Komponen Utama, Tiga Dimensi}, pubstate = {diterbitkan}, tppubtype = {persidangan} } Matlamat penyelidikan ini adalah untuk menyiasat keberkesanan antara Analisis Komponen Utama (PCA) dan Analisis Diskriminasi Linear (LDA) bersama dengan rangkaian saraf (NN) dalam mengklasifikasikan gaya berjalan kanak-kanak autisme berbanding kumpulan kawalan. Dua belas kanak-kanak autistik dan tiga puluh dua kanak-kanak normal mengambil bahagian dalam kajian ini. Pertama, gaya berjalan kedua-dua kumpulan ini diperoleh menggunakan Sistem Analisis Gerakan VICON untuk mengekstrak tiga dimensi (3D) ciri gait yang terdiri daripada 21 ciri gait iaitu lima ciri daripada spatial temporal asas, lima ciri mewakili parameter kinetik dan dua belas ciri dari kinematik. Selanjutnya, PCA dan LDA digunakan sebagai pengekstrakan ciri dalam menentukan ciri penting antara ciri gaya berjalan ini. Dengan NN sebagai pengelas, keputusan menunjukkan bahawa LDA sebagai pengekstrakan ciri mengatasi PCA untuk klasifikasi autisme berbanding kanak-kanak normal iaitu corak gaya berjalan kinematik yang dicapai 98.44% ketepatan diikuti oleh ciri gaya berjalan spatial temporal asas dengan ketepatan 87.5%. © 2017 IEEE. |
2016 |
Ilias, S; Tahir, N M; Jailani, R; Hasan, C Z C Classification of autism children gait patterns using Neural Network and Support Vector Machine Persidangan Institut Jurutera Elektrik dan Elektronik Inc., 2016, ISBN: 9781509015436, (dipetik oleh 5). Abstrak | Pautan | BibTeX | Tag: Accuracy Rate, Autisme, Pengelasan (maklumat), Penyakit, Analisis Gait, Gait Parameters, Corak Gait, Elektronik Perindustrian, Kinematik, Rangkaian Neural, NN Classifiers, Kepekaan dan Kekhususan, Mesin Vektor Sokongan, Three Categories @ persidangan{Ilias201652, tajuk = {Classification of autism children gait patterns using Neural Network and Support Vector Machine}, pengarang = {S Ilias and N M Tahir and R Jailani and C Z C Hasan}, url = {https://www.scopus.com/inward/record.uri?eid=2-s2.0-84992135613&doi=10.1109%2fISCAIE.2016.7575036&rakan kongsi = 40&md5=55c6d166768ed5fa3b504a2bd3441829}, doi = {10.1109/ISCAIE.2016.7575036}, isbn = {9781509015436}, tahun = {2016}, tarikh = {2016-01-01}, jurnal = {ISCA 2016 - 2016 Simposium IEEE mengenai Aplikasi Komputer dan Elektronik Industri}, halaman = {52-56}, penerbit = {Institut Jurutera Elektrik dan Elektronik Inc.}, abstrak = {Dalam kajian ini, we deemed further to evaluate the performance of Neural Network (NN) and Support Vector Machine (SVM) in classifying the gait patterns between autism and normal children. Pertama, temporal spatial, kinetic and kinematic gait parameters of forty four subjects namely thirty two normal subjects and twelve autism children are acquired. Seterusnya, these three category gait parameters acted as inputs to both classifiers. Results showed that fusion of temporal spatial and kinematic contributed the highest accuracy rate for NN classifier specifically 95% whilst SVM with polynomial as kernel, 95% accuracy rate is contributed by fusion of all gait parameters as inputs to the classifier. Sebagai tambahan, the classifiers performance is validated by computing both value of sensitivity and specificity. With SVM using polynomial as kernel, sensitivity attained is 100% indicated that the classifier's ability to perfectly discriminate normal subjects from autism subjects whilst 85% specificity showed that SVM is able to identify autism subjects as autism based on their gait patterns at 85% rate. © 2016 IEEE.}, nota = {dipetik oleh 5}, kata kunci = {Accuracy Rate, Autisme, Pengelasan (maklumat), Penyakit, Analisis Gait, Gait Parameters, Corak Gait, Elektronik Perindustrian, Kinematik, Rangkaian Neural, NN Classifiers, Kepekaan dan Kekhususan, Mesin Vektor Sokongan, Three Categories}, pubstate = {diterbitkan}, tppubtype = {persidangan} } Dalam kajian ini, we deemed further to evaluate the performance of Neural Network (NN) and Support Vector Machine (SVM) in classifying the gait patterns between autism and normal children. Pertama, temporal spatial, kinetic and kinematic gait parameters of forty four subjects namely thirty two normal subjects and twelve autism children are acquired. Seterusnya, these three category gait parameters acted as inputs to both classifiers. Results showed that fusion of temporal spatial and kinematic contributed the highest accuracy rate for NN classifier specifically 95% whilst SVM with polynomial as kernel, 95% accuracy rate is contributed by fusion of all gait parameters as inputs to the classifier. Sebagai tambahan, the classifiers performance is validated by computing both value of sensitivity and specificity. With SVM using polynomial as kernel, sensitivity attained is 100% indicated that the classifier's ability to perfectly discriminate normal subjects from autism subjects whilst 85% specificity showed that SVM is able to identify autism subjects as autism based on their gait patterns at 85% rate. © 2016 IEEE. |