@ persidangan{Abdullah2019,
tajuk = {Penilaian ke atas Algoritma Pembelajaran Mesin untuk Klasifikasi Gangguan Spektrum Autisme (ASD)},
pengarang = {A A Abdullah and S Rijal and S R Dash},
penyunting = {Rahim Mustafa Zaaba Norali Noor S B A N B S K A N B A B M Fook C.Y. Yazid H.B.},
url = {https://www.scopus.com/inward/record.uri?eid=2-s2.0-85076493636&doi=10.1088%2f1742-6596%2f1372%2f1%2f012052&rakan kongsi = 40&md5=2ec1bd9f6cf1e3afe965cc9e3792f536},
doi = {10.1088/1742-6596/1372/1/012052},
terbitan = {17426588},
tahun = {2019},
tarikh = {2019-01-01},
jurnal = {Journal of Physics: Conference Series},
isi padu = {1372},
nombor = {1},
penerbit = {Institut Penerbitan Fizik},
abstrak = {Gangguan Spektrum Autisme (ASD) dicirikan oleh kelewatan dalam pembangunan interaksi sosial, tingkah laku berulang dan minat yang sempit, yang biasanya didiagnosis dengan alat diagnostik standard seperti Jadual Pemerhatian Diagnostik Autisme (Remaja) dan Temuduga Diagnostik Autisme-Disemak (ADIR-R). Kerja sebelumnya telah melaksanakan kaedah pembelajaran mesin untuk klasifikasi ASD, namun mereka menggunakan jenis set data yang berbeza seperti imej otak untuk MRI dan EEG, gen risiko dalam profil genetik dan penilaian tingkah laku berdasarkan ADOS dan ADI-R. Di sini percubaan menggunakan Soalan Spektrum Autisme (AQ) untuk membina model yang mempunyai potensi yang lebih tinggi untuk mengklasifikasikan ASD telah dibangunkan. Dalam penyelidikan ini, Chi-square dan Operator Pengecutan dan Pemilihan Mutlak Terkecil (LASSO) telah dipilih sebagai kaedah pemilihan ciri untuk memilih ciri yang paling penting 3 algoritma pembelajaran mesin yang diselia, iaitu Hutan Rawak, Regresi Logistik dan K-Nearest Neighbours dengan pengesahan silang K-fold. Prestasi dinilai di mana keputusan Regresi Logistik mendapat ketepatan tertinggi dengan 97.541% menggunakan model dengan 13 ciri yang dipilih berdasarkan kaedah pemilihan Khi kuasa dua. © 2019 IOP Publishing Ltd. Hak cipta terpelihara.},
nota = {dipetik oleh 0},
kata kunci = {Gangguan Spektrum Autisme, Penilaian Tingkah Laku, Kejuruteraan Bioperubatan, Pemetaan Otak, Pengelasan (maklumat), Pokok Keputusan, Penyakit, Pengekstrakan Ciri, Kaedah Pemilihan Ciri, Pengesahan Silang K Lipat, Belajar, Operator Pengecutan dan Pemilihan Mutlak Paling Kurang, Anggaran Kuasa Dua Terkecil, Regresi Logistik, Pembelajaran Mesin, Kaedah Pembelajaran Mesin, Pengimejan Resonans Magnetik, Carian Jiran Terdekat, Analisis regresi, Pembelajaran yang diselia, Pembelajaran Mesin Diawasi},
pubstate = {diterbitkan},
tppubtype = {persidangan}
}

@ persidangan{Razali2011536,
tajuk = {2Model Ruang Afektif (ASM) untuk mengesan kanak-kanak autistik},
pengarang = {N Razali and A Wahab},
url = {https://www.scopus.com/inward/record.uri?eid = 2-s2.0-80052392399&doi = 10.1109% 2fISCE.2011.5973888&rakan kongsi = 40&md5 = f6ea401148e6558b861e4df6407e527e},
doi = {10.1109/ISCE.2011.5973888},
isbn = {9781612848433},
tahun = {2011},
tarikh = {2011-01-01},
jurnal = {Prosiding Simposium Antarabangsa mengenai Elektronik Pengguna, ISCE},
halaman = {536-541},
abstrak = {Terdapat banyak kajian yang dilakukan terhadap kes autisme menggunakan teknik pencitraan otak. Dalam kertas ini, Electroencephalogram (LIHAT) digunakan untuk memahami dan menganalisis fungsi otak untuk mengenal pasti atau mengesan gangguan otak untuk autisme dari segi peniruan motor. Oleh itu, kebolehpasaran dan kemampuan peralatan EEG menjadikannya pilihan yang lebih baik jika dibandingkan dengan alat pengimejan otak lain seperti pengimejan resonans magnetik yang berfungsi (fMRI), tomografi pelepasan positron (PET) dan megnetoencephalography (MEG). Pengumpulan data terdiri daripada kanak-kanak autis dan normal dengan jumlah keseluruhan 6 kanak-kanak untuk setiap kumpulan. Semua subjek diminta mengepal tangan mereka dengan mengikuti rangsangan video yang disajikan 1 masa minit. Model campuran Gaussian digunakan sebagai kaedah pengekstrakan ciri untuk menganalisis isyarat otak dalam domain frekuensi. Kemudian, data pengekstrakan dikelaskan menggunakan perceptron pelbagai lapisan (MLP). Menurut hasil pengesahan, peratusan diskriminasi antara kedua-dua kumpulan adalah hingga 85% secara purata dengan menggunakan pengesahan k-kali ganda. © 2011 IEEE.},
nota = {dipetik oleh 8},
kata kunci = {Kanak-kanak Autistik, Gangguan Otak, Pengimejan Otak, Teknik Pengimejan Otak, Isyarat Otak, Kanak-kanak dengan Autisme, Elektronik Pengguna, Pengumpulan data, Penyakit, Elektroencephalogram, Elektroensefalografi, Pengekstrakan Ciri, Domain Kekerapan, Pengimejan Resonans Magnetik Berfungsi, Model Campuran Gaussian, Pengimejan Resonans Magnetik, Perceptron Pelbagai Lapisan, Perceptron pelbagai lapisan, Pelbagai lapisan, Tomografi Pelepasan Positron, Resonans, Model Ruang, Hasil Pengesahan},
pubstate = {diterbitkan},
tppubtype = {persidangan}
}