Context-related data processing in artificial neural networks for higher reliability of telerehabilitation systems
PBN-AR
Instytucja
Wydział Matematyki, Fizyki i Informatyki (Uniwersytet Opolski)
Źródłowe zdarzenia ewaluacyjne
Książka
Tytuł książki
17th International Conference on E-health Networking, Application & Services (HealthCom 2015), Boston, Massachussetts, USA, 14-17 October 2015
Data publikacji
2015
ISBN
978-1-4673-8325-7
Wydawca
Institute of Electrical and Electronics Engineers ( IEEE )
Publikacja
Główny język publikacji
en
Tytuł rozdziału
Context-related data processing in artificial neural networks for higher reliability of telerehabilitation systems
Rok publikacji
2015
Strony (od-do)
217-221
Numer rozdziału
Identyfikator DOI
Liczba arkuszy
0.5
Hasło encyklopedyczne
Autorzy
(liczba autorów: 2)
Pozostali autorzy
+ 1
Konferencja
Indeksowana w Scopus
nie
Indeksowana w Web of Science Core Collection
tak
Liczba cytowań z Web of Science Core Collection
Nazwa konferencji (skrócona)
International Conference on E-health Networking, Application & Services (HealthCom)
Nazwa konferencji
17th International Conference on E-health Networking, Application & Services (HealthCom)
Początek konferencji
2015-10-13
Koniec konferencji
2015-10-17
Lokalizacja konferencji
Boston
Kraj konferencji
US
Lista innych baz czasopism i abstraktów w których była indeksowana
Streszczenia
Język
en
Treść
Classification is a data processing technique of a great significance both for native eHealth systems and web telemedicine solutions. In this sense, artificial neural networks have been widely applied in telerehabilitation as powerful tools to process information and acquire a new medical knowledge. But effective analysis of multidimensional heterogeneous medical data, still poses considerable difficulties. It was shown that processing too many data features simultaneously is costly and has some adverse effects on the resulting models classification properties. Therefore, there is a strong need to develop new techniques for selecting features from the very large data sets that include many irrelevant, or redundant features. This work addresses the context-related feature selection problem from medical data by proposing utility of Sigma-if neural network being an effective model of neurology patients's low-level distributed selective attention mechanisms. Our experiments indicate that a context-aware technique can reduce the average cost of medical data acquisition and data processing as well as it can decrease classification error probability resulting in increasing the overall eHealth systems reliability.
Inne
System-identifier
UOec051602631349a7bc2cbf13d2edc747
CrossrefMetadata from Crossref logo
Cytowania
Liczba prac cytujących tę pracę
Brak danych
Referencje
Liczba prac cytowanych przez tę pracę
Brak danych