@ 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{Hoole2012541,
tajuk = {Autisme, EEG and brain electromagnetics research},
pengarang = {P R P Hoole and K Pirapaharan and S A Basar and R Ismail and D L D A Liyanage and S S H M U L Senanayake and S R H Hoole},
url = {https://www.scopus.com/inward/record.uri?eid=2-s2.0-84876771339&doi=10.1109%2fIECBES.2012.6498036&rakan kongsi = 40&md5=9f9390b30b859a90936c66699c1a5115},
doi = {10.1109/IECBES.2012.6498036},
isbn = {9781467316668},
tahun = {2012},
tarikh = {2012-01-01},
jurnal = {2012 Persidangan IEEE-EMBS mengenai Kejuruteraan dan Sains Bioperubatan, IECBES 2012},
halaman = {541-543},
abstrak = {There has been a significant increase in the incidence of autism. We report the work on autism by our international group, on the growing attention paid to EEG based diagnosis and the interest in tracing EEG changes to brain electromagnetic signals (BEMS), seeking the cause of autism and the brain regions of its origin. The time- and frequency domain and principal component analysis (PCA) of these EEG signals with a Multilayer Perception Neural Network (MLP) identifies an autistic subject and helps improve classification accuracy. We show differences between a working brain and a relaxed brain, especially in the Alpha waves used for diagnosis. © 2012 IEEE.},
nota = {dipetik oleh 11},
kata kunci = {Kejuruteraan Bioperubatan, Otak, Brain Regions, Ketepatan Pengelasan, Penyakit, EEG Signals, Electromagnetic Signals, Electromagnetics, Electromagnetism, Domain Kekerapan, International Group, Multilayer Perception Neural Networks, Neuroimaging, Analisis Komponen Utama},
pubstate = {diterbitkan},
tppubtype = {persidangan}
}