Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений

• Опубліковано в: : Кибернетика и системный анализ
• Дата: 2016
• Автор: Галкин, А.А.
• Формат: Стаття
• Мова: Російська
• Опубліковано: Інститут кібернетики ім. В.М. Глушкова НАН України 2016
• Теми: Кибернетика
• Онлайн доступ: https://nasplib.isofts.kiev.ua/handle/123456789/142054
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Цитувати: Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений / А.А. Галкин // Кибернетика и системный анализ. — 2016. — Т. 52, № 6. — С. 21-29. — Бібліогр.: 8 назв. — рос.

Исследуется и анализируется реальное множество больших по объему медико-статистических данных, используемых для распознавания действий медицинских работников на основе показателей акселерометров в определенный момент времени. В процессе распознавания применена глубинная сеть убеждений на неразмеченных данных, после чего проведено обучение с учителем методом обратного распространения ошибки. Полученные результаты показали более высокую точность распознавания по сравнению с базовыми методами. Достигнуто также значительное улучшение относительно продолжительности действий медперсонала. Досліджується та аналізується реальна множина великих за обсягом медико-статистичних даних, що використовуються для розпізнавання дій медичних працівників на основі показників акселерометрів у визначений момент часу. У процесі розпізнавання застосовано глибинну мережу переконань на нерозмічених даних, після чого проведено навчання з учителем методом зворотного поширення помилки. Отримані результати показали більш високу точність розпізнавання у порівнянні з базовими методами. Досягнуто також значне покращення відносно тривалості дій медперсоналу. The paper analyzes the real set of large-volume medical and statistical data to be used for recognition of actions of medical workers on the basis of readings of accelerometers at a particular moment of time. During the recognition, deep belief network is applied on unlabeled data, and then trained with supervised learning by backward propagation of errors. The obtained results show a higher recognition accuracy as compared with the basic methods A significant improvement is achieved as to the duration of actions of medical staff.