scholarly journals Computer-assisted studies of molecular structure and genotoxic activity by pattern recognition techniques.

1985 ◽  
Vol 61 ◽  
pp. 329-343 ◽  
Author(s):  
T R Stouch ◽  
P C Jurs
Keyword(s):  
Molecular Structure ◽  
Pattern Recognition ◽  
Computer Assisted ◽  
Pattern Recognition Techniques ◽  
Genotoxic Activity

ICA as Pattern Recognition Technique for Gesture Identification

2013 ◽  
pp. 530-549
Author(s):  
Ganesh Naik ◽  
Dinesh Kant Kumar ◽  
Sridhar Arjunan
Keyword(s):  
Pattern Recognition ◽  
Marked Improvement ◽  
Mitigation Strategy ◽  
The Other ◽  
Computer Assisted ◽  
Pattern Recognition Techniques ◽  
Non Invasive ◽  
Robust System ◽  
Network Weight ◽  
Recognition Technique

In recent times there is an urgent need for a simple yet robust system to identify natural hand actions and gestures for controlling prostheses and other computer assisted devices. Surface Electromyogram (sEMG) is a non-invasive measure of the muscle activities but is not reliable because there are multiple simultaneously active muscles. This research first establishes the conditions for the applicability of Independent Component Analysis (ICA) pattern recognition techniques for sEMG. Shortcomings related to order and magnitude ambiguity have been identified and a mitigation strategy has been developed by using a set of unmixing matrix and neural network weight matrix corresponding to the specific user. The experimental results demonstrate a marked improvement in the accuracy. The other advantages of this system are that it is suitable for real time operations and it is easy to train by a lay user.

ICA as Pattern Recognition Technique for Gesture Identification

2012 ◽  
pp. 367-387
Author(s):  
Ganesh Naik ◽  
Dinesh Kant Kumar ◽  
Sridhar Arjunan
Keyword(s):  
Pattern Recognition ◽  
Marked Improvement ◽  
Mitigation Strategy ◽  
The Other ◽  
Computer Assisted ◽  
Pattern Recognition Techniques ◽  
Non Invasive ◽  
Robust System ◽  
Network Weight ◽  
Recognition Technique

In recent times there is an urgent need for a simple yet robust system to identify natural hand actions and gestures for controlling prostheses and other computer assisted devices. Surface Electromyogram (sEMG) is a non-invasive measure of the muscle activities but is not reliable because there are multiple simultaneously active muscles. This research first establishes the conditions for the applicability of Independent Component Analysis (ICA) pattern recognition techniques for sEMG. Shortcomings related to order and magnitude ambiguity have been identified and a mitigation strategy has been developed by using a set of unmixing matrix and neural network weight matrix corresponding to the specific user. The experimental results demonstrate a marked improvement in the accuracy. The other advantages of this system are that it is suitable for real time operations and it is easy to train by a lay user.

COMPARATIVE EVALUATION OF PATTERN RECOGNITION TECHNIQUES FOR DETECTION OF MICROCALCIFICATIONS IN MAMMOGRAPHY

1993 ◽  
Vol 07 (06) ◽  
pp. 1417-1436 ◽  
Author(s):  
KEVIN S. WOODS ◽  
CHRISTOPHER C. DOSS ◽  
KEVIN W. BOWYER ◽  
JEFFREY L. SOLKA ◽  
CAREY E. PRIEBE ◽  
...  
Keyword(s):  
Pattern Recognition ◽  
Nearest Neighbor ◽  
Computer Assisted ◽  
Detection Accuracy ◽  
K Nearest Neighbor ◽  
Dynamic Neural Networks ◽  
Pattern Recognition Techniques ◽  
Mammographic Images ◽  
Bright Spots ◽  
Computer Assisted Detection

Computer-assisted detection of microcalcifications in mammographic images will likely require a multistage algorithm that includes segmentation of possible microcalcifications, pattern recognition techniques to classify the segmented objects, a method to determine if a cluster of calcifications exists, and possibly a method to determine the probability of malignancy. This paper focuses on the first three of these stages, and especially on the classification of segmented local bright spots as either calcification or noncalcification. Seven classifiers (linear and quadratic classifiers, binary decision trees, a standard backpropagation network, 2 dynamic neural networks, and a K-nearest neighbor) are compared. In addition, a postprocessing step is performed on objects identified as calcifications by the classifiers to determine if any clusters of microcalcifications exist. A database of digitized film mammograms is used for training and testing. Detection accuracy of individual and clustered microcalcifications is compared across the seven methods using area under the ROC curve as a figure of merit.

scholarly journals Computer assisted diagnosis of brain tumors based on statistical methods and pattern recognition techniques

2010 ◽  
Author(s):  
Παντελής Γεωργιάδης
Keyword(s):  
Pattern Recognition ◽  
Brain Tumors ◽  
Statistical Methods ◽  
Computer Assisted ◽  
Pattern Recognition Techniques ◽  
Computer Assisted Diagnosis ◽  
Assisted Diagnosis

Η εισαγωγή της Μαγνητικής Τομογραφίας (ΜΤ) στην κλινική πρακτική και η συμπληρωματική πληροφορία που δίνει η Φασματοσκοπία Μαγνητικού Συντονισμού (ΦΜΣ) συνιστά μια από τις πιο σημαντικές εξελίξεις στη διάγνωση ασθενών με καρκίνο εγκεφάλου [1]. Παρ’ όλα αυτά, οι εικόνες ΜΤ είναι συχνά δύσκολο να ερμηνευθούν από τους ειδικούς λόγω [2] α/ της υποκειμενικότητας και περιορισμένης εμπειρίας του παρατηρητή στην εκτίμηση εικόνων που παράγει η σχετικά νέα αυτή τεχνολογία, β/ των ποικίλων κλινικών χαρακτηριστικών των όγκων (π.χ. τύπος, διαβάθμιση κακοήθειας κλπ.) και γ/ της ιδιαιτερότητας των όγκων στην αντίθεση που παρουσιάζουν με τον περιβάλλοντα ιστό. Μόνο λιγοστές μελέτες έχουν διεξαχθεί για να χαρακτηρίσουν ιστούς εγκεφάλου μέσω της ανάλυσης ποσοτικών χαρακτηριστικών από εικόνες εγκεφάλου ΜΤ [3, 4]. Ενώ έχει ήδη τονιστεί η αναγκαιότητα συσχετισμού της διαγνωστικής και προγνωστικής πληροφορίας που προέρχεται από εικόνες ΜΤ και σήματα ΦΜΣ στη διεθνή βιβλιογραφία [5], υπάρχουν λιγοστές ανάλογες αναφορές για τον σχεδιασμό και υλοποίηση συστήματος Η/Υ αυτόματης διάγνωσης όγκων εγκεφάλου κάνοντας συνδυασμό ποσοτικής πληροφορίας προερχόμενης από εικόνες ΜΤ και σήματα ΦΜΣ [6, 7]. Οι στόχοι της παρούσας διατριβής εστιάζονται στα παρακάτω: - στη μελέτη, ανάπτυξη και η υλοποίηση υπολογιστικού συστήματος αυτόματης ταξινόμησης όγκων του εγκεφάλου μέσω της ποσοτικής ανάλυσης εικόνων ΜΤ το οποίο θα βελτιώνει την ακρίβεια ταξινόμησης σε σχέση με ήδη υπάρχοντα συστήματα [4, 8, 9], όπως αυτά περιγράφονται στην διεθνή βιβλιογραφία μεταξύ πρωτογενών και δευτερογενών όγκων εγκεφάλου καθώς και μεταξύ γλοιωμάτων και μηνιγγιωμάτων με την χρήση δέντρου ιεραρχικής απόφασης δύο επιπέδων. Επιπλέον, στην ανάδειξη πως η χρήση ενός μη-γραμμικού πολυωνυμικού μετασχηματισμού ελάχιστων τετραγώνων των χαρακτηριστικών υφής έχει ως αποτέλεσμα την βελτίωση της ακρίβειας ταξινόμησης του ταξινομητή πιθανοκρατικού νευρωνικού δικτύου - στην επέκταση και την βελτίωση του συστήματος αυτόματης ταξινόμησης όγκων του εγκεφάλου χρησιμοποιώντας α/ ογκομετρικές ποσοτικές παραμέτρους εικόνων ΜΤ, β/ ταξινομητή μηχανών διανυσμάτων στήριξης μαζί με τη μεθοδολογία συνάθροισης αποτελεσμάτων ταξινόμησης από τυχαιοποιημένα δείγματα κατηγοριών δημιουργημένων με επαναδειγματοληψία για κάθε κόμβο δέντρου ιεραρχικής απόφασης δύο επιπέδων όπου στο πρώτο επίπεδο πραγματοποιήθηκε διαχωρισμός μεταξύ πρωτογενών και δευτερογενών όγκων εγκεφάλου και στο δεύτερο και μεταξύ γλοιωμάτων και μηνιγγιωμάτων και γ/ έναν τροποποιημένο πυρήνα ακτινικής συνάρτησης βάσης για τον ταξινομητή μηχανών διανυσμάτων στήριξης ο οποίος περιλαμβάνει την τεχνική μη-γραμμικού πολυωνυμικού μετασχηματισμού ελάχιστων τετραγώνων με στόχο την βελτίωση της ακρίβειας ταξινόμησης - στην περαιτέρω επέκταση και την βελτίωση του συστήματος αυτόματης ταξινόμησης με την εισαγωγή χαρακτηριστικών προερχόμενων από σήματα ΦΜΣ ώστε να διερευνηθεί εάν η χρήση του μπορεί να βελτιώσει τα αποτελέσματα ταξινόμησης μεταξύ μηνιγγιωμάτων και μονήρων μεταστάσεων. Τέλος κάνοντας μια περίληψη, η παρούσα διατριβή διαπραγματεύεται τον σχεδιασμό, ανάπτυξη και υλοποίηση μεθόδων και αλγορίθμων για την επεξεργασία και ανάλυση ιατρικών εικόνων, επικεντρώνοντας ειδικότερα στην εφαρμογή των μεθόδων αυτών για την διάγνωση του τύπου των όγκων εγκεφάλου. Τα πιο βασικά συμπεράσματα που απορρέουν από την παρούσα διατριβή είναι τα ακόλουθα: α/ Το σύστημα ταξινόμησης των τύπων των όγκων εγκεφάλου που σχεδιάστηκε και υλοποιήθηκε αυξάνει τα ποσοστά ορθής ταξινόμησης σε σχέση με τα υπάρχοντα. β/ Η κωδικοποίηση των ιδιοτήτων της υφής που προέρχεται από τον σύνολο του όγκου παρέχει επιπρόσθετη πληροφορία στο σύστημα ταξινόμησης αυξάνοντας τα ποσοστά επιτυχούς διαχωρισμού. γ/ Τα χαρακτηριστικά φασματοσκοπίας μαγνητικού συντονισμού αποτελούν επιπρόσθετη αξία στο χαρακτηρισμό του τύπου των όγκων εγκεφάλου μιας και οδήγησαν στην αύξηση του ποσοστού επιτυχούς διαχωρισμού του συστήματος ταξινόμησης.

EEG-Based Emotion Recognition Using Different Neural Network and Pattern Recognition Techniques A Review

2019 ◽  
Vol 7 (1) ◽  
pp. 615-618
Author(s):  
Y. M. Rajput ◽  
S. Abdul Hannan ◽  
M. Eid Alzahrani ◽  
Ramesh R. Manza ◽  
Dnyaneshwari D. Patil
Keyword(s):  
Neural Network ◽  
Pattern Recognition ◽  
Emotion Recognition ◽  
Pattern Recognition Techniques
Sign in / Sign up

Export Citation Format

Share Document