@ 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{Misman201929,
tajuk = {Klasifikasi orang dewasa dengan gangguan spektrum autisme menggunakan rangkaian saraf dalam},
pengarang = {M F Misman dan A A Samah dan F A Ezudin dan H A Majid dan Z A Shah dan H Hashim dan M F Harun},
url = {https://www.scopus.com/inward/record.uri?eid=2-s2.0-85079349811&doi=10.1109/AiDAS47888.2019.8970823&rakan kongsi = 40&md5=dd727e950667359680a6dbcc4855422f},
doi = {10.1109/AiDAS47888.2019.8970823},
isbn = {9781728130415},
tahun = {2019},
tarikh = {2019-01-01},
jurnal = {Prosiding - 2019 1st Persidangan Antarabangsa mengenai Kepintaran Buatan dan Sains Data, Gema 2019},
halaman = {29-34},
penerbit = {Institut Jurutera Elektrik dan Elektronik Inc.},
abstrak = {Gangguan Spektrum Autisme (ASD) adalah gangguan otak perkembangan yang menyebabkan defisit dalam linguistik, komunikatif, dan kemahiran kognitif serta kemahiran sosial. Pelbagai aplikasi Pembelajaran Mesin telah digunakan selain daripada ujian klinikal yang ada, yang telah meningkatkan prestasi dalam diagnosis gangguan ini. Dalam kajian ini, kami menggunakan Rangkaian Neural Dalam (DNN) seni bina, yang telah menjadi kaedah popular dalam beberapa tahun kebelakangan ini dan terbukti meningkatkan ketepatan pengelasan. Kajian ini bertujuan untuk menganalisis prestasi model DNN dalam diagnosis ASD dari segi ketepatan klasifikasi dengan menggunakan dua set data saringan ASD dewasa.. Hasilnya kemudian dibandingkan dengan kaedah Pembelajaran Mesin sebelumnya oleh penyelidik lain, iaitu Mesin Vektor Sokongan (SVM). Ketepatan yang dicapai oleh model DNN dalam klasifikasi diagnosis ASD ialah 99.40% pada set data pertama dan dicapai 96.08% pada set data kedua. Sementara itu, model SVM mencapai ketepatan 95.24% dan 95.08% menggunakan data pertama dan kedua, masing-masing. Keputusan menunjukkan bahawa kes ASD boleh dikenal pasti dengan tepat dengan melaksanakan kaedah pengelasan DNN menggunakan data saringan dewasa ASD. © 2019 IEEE.},
nota = {dipetik oleh 0},
kata kunci = {Gangguan Spektrum Autisme, Gangguan Otak, Pengelasan (maklumat), Ketepatan Pengelasan, Kaedah Pengelasan, Ujian Klinikal, Kemahiran Kognitif, Diagnosis Berbantu Komputer, Pembelajaran Mendalam, Rangkaian Neural Dalam, Penyakit, Belajar, Kaedah Pembelajaran Mesin, Data Saringan, Mesin Vektor Sokongan},
pubstate = {diterbitkan},
tppubtype = {persidangan}
}