@ 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{Ilias2017275,
tajuk = {Feature extraction of autism gait data using principal component analysis and linear discriminant analysis},
pengarang = {S Ilias and N M Tahir and R Jailani},
url = {https://www.scopus.com/inward/record.uri?eid=2-s2.0-85034081031&doi=10.1109%2fIEACON.2016.8067391&rakan kongsi = 40&md5=7deaef6538413df7bfaf7cf723001d72},
doi = {10.1109/IEACON.2016.8067391},
isbn = {9781509009251},
tahun = {2017},
tarikh = {2017-01-01},
jurnal = {IEACon 2016 - 2016 IEEE Industrial Electronics and Applications Conference},
halaman = {275-279},
penerbit = {Institut Jurutera Elektrik dan Elektronik Inc.},
abstrak = {Dalam penyelidikan ini, the application of machine learning approach specifically support vector machine along with principal component analysis and linear discriminant analysis as feature extractions are evaluated and validated in discriminating gait features between normal subjects and autism children. Gait features of 32 normal and 12 autism children were recorded and analyzed using VICON motion analysis system and a force platform during normal walking. Di sini, twenty one gait features describing the three types of gait characteristics namely basic, kinetic and kinematic in these children are extracted. Selanjutnya, with these gait features as input during classification, the ability of SVM as classifier are investigated using three different kernel functions specifically linear, polynomial, and radial basis. Results showed that LDA as feature extraction is the highest accuracy with kinematic parameters as gait features along with polynomial function as kernel for the SVM classifier. This finding proven that LDA is suitable as feature extraction and SVM is indeed apt as gait classifier in classifying the gait pattern autism and normal children. © 2016 IEEE.},
nota = {dipetik oleh 0},
kata kunci = {Pengelasan (maklumat), Analisis Diskriminan, Penyakit, Pengekstrakan, Pengekstrakan Ciri, Analisis Gait, Klasifikasi Gait, Image Retrieval, Elektronik Perindustrian, Kernel Function, Kinematic Parameters, Kinematik, Belajar, Analisis Diskriminasi Linear, Machine Learning Approaches, Sistem Analisis Pergerakan, Polynomial Functions, Analisis Komponen Utama, Mesin Vektor Sokongan, SVM Classifiers},
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}
}