@ 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}
}

@ 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}
}