@ 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}
}

@ persidangan{Ilias2017540,
tajuk = {Development of three dimensional gait pattern in autism children - a review},
pengarang = {S Ilias and N M Tahir and R Jailani},
url = {https://www.scopus.com/inward/record.uri?eid=2-s2.0-85019000981&doi=10.1109%2fICCSCE.2016.7893635&rakan kongsi = 40&md5=37aaf5f94b177ecfa164c432d32b5dfe},
doi = {10.1109/ICCSCE.2016.7893635},
isbn = {9781509011780},
tahun = {2017},
tarikh = {2017-01-01},
jurnal = {Prosiding - 6th IEEE International Conference on Control System, Pengkomputeran dan Kejuruteraan, ICCSCE 2016},
halaman = {540-545},
penerbit = {Institut Jurutera Elektrik dan Elektronik Inc.},
abstrak = {Baru-baru ini, gait patterns of children with autism is of interest in the gait community in order to identify significant gait parameter namely the three dimensional (3D) gait features such as spatial temporal, kinematic and kinetic. This is because gait pattern provides clinicians and researchers in understanding the trajectory of gait development. Understanding the characteristics and identifying gait pattern is essential in order to distinguish normal as well as abnormal gait pattern. Hence the purpose of this review is to identify deviations gait in children with autism based on criteria specifically subject character; measurement, type of gait variables measured; method of classification and major findings. Several gait variables from different instrumentation for gait analysis is reviewed too. Development of gait patterns via assessing gait deviations in children with ASD could assist clinician and researchers to differentiate gait pattern abnormality in diagnosing, clinical decision-making and treatment planning as well. © 2016 IEEE.},
nota = {dipetik oleh 0},
kata kunci = {Abnormal Gait, Kanak-kanak dengan Autisme, Membuat Keputusan Klinikal, Sistem Kawalan, Membuat keputusan, Penyakit, Enzyme Kinetics, Analisis Gait, Klasifikasi Gait, Kinematik, Spatial Temporals, Temporal Spatial, Tiga Dimensi, Three-Dimensional Computer Graphics, Treatment Planning},
pubstate = {diterbitkan},
tppubtype = {persidangan}
}

@ 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}
}