COMPRESSION OF MEDICAL MONITORING DATA BASED ON HYBRID SYSTEMS OF COMPUTATIONAL INTELLIGENCE YE. V.

Authors

  • Е. В. Бодянский Харьковский национальный университет радиоэлектроники; 61166, г. Харьков, пр. Ленина, 14
  • Е. А. Винокурова Харьковский национальный университет радиоэлектроники; 61166, г. Харьков, пр. Ленина, 14,
  • П. П. Мулеса Ужгородский национальный университет; 88000, м. Ужгород, пл. Народна, 3
  • А. Н. Слипченко Харьковский национальный университет им. Каразина; 61022, Харьков, площадь Свободы 4

Keywords:

big data compression, hybrid neuro-fuzzy compressor, computational intelligence, medical monitoring.

Abstract

One of the most important problems that is connected with big data processing is the task of data  compression without significant loss of information, which is contained in an initial data set. Today to solve such problems a lot of methods are propose d. Each approach has advantages, disadvantages, appropriate areas of usage etc. Thus, the paper suggests hybrid system of computational intelligence for big data compression and its learning algorithm. This system combines the capabilities of principal component analysis, artificial neural networks, wavelet-analysis, and different fuzzy inferences systems.

References

Artificial Neural Networks. – Cambridge University Press, 2001. – 378 p.
2 Дюк В. Data Mining / Дюк В., Самойленко А.. – СПб.: Питер, 2001. – 368 с.
3 Schmitt M., Teodoreskn H.-M., Jain A. Computational Intelligence Processing in Medical Diagnosis. – N.Y.: Springer, 2012. – 496 p.
4 Дюк В. Информационные технологии в медико-биологических исследованиях / В.Дюк, В.Эммануэль. – СПб.: Питер, 2003. – 528 с.
5 Бойко В.В. Анализ клинических данных в медицинских исследованиях на основе методов вычислительного интеллекта / В.В.Бойко,
Е.В.Бодянский, Е.А.Винокурова, С.В.Сушков, А.А.Павлов. – Харьков: ТО Эксклюзив, 2008. – 120 с.
6 Arpad K., Ajith A., Yulan L. Computational Intelligence in Medical Informatics. – Studies in Computational Intelligence. – 2008. – 85. – 380 p.
7 Лоули Д. Факторный анализ как статистический метод / Лоули Д., Максвелл А. – М.: Мир, 1967. – 144 с.
8 Ким Дж. Факторный, дискриминантный и кластерный анализ/ Дж. Ким, Ч.У. Мюллер и др. – М.: Финансы и статистика, 1989. – 215 с.
9 Chui C. K. An Introduction to Wavelets / C. K. Chui. – New York: Academic, 1992. – 264 p.
10 Szu H. Wavelet transforms and neural networks for compression and recognition /H. Szu, B. Telfer, J. Garcia // Neural Networks. – 1996. – 9. – P. 695-709.
11 Meyer Y. Wavelets: Algorithms and Applications / Y. Meyer. - Philadelphia, PA: SIAM., 1993. – 133 p.
12 Cichocki A. Neural Networks for Optimization and Signal Processing / Cichocki A., Unbehauen R. – Stuttgart: Teubner, 1993. – 526 p.
13 Sanger T. Optimal unsupervised learning in a single-layer linear feedforward neural network / Sanger T. // Neural Networks. – 1989. – 2. – P. 459-473.
14 Oja E. Neural networks, principal components, and subspaces / Oja E. // Int. J. of Neural Systems. – 1989. – 1. – P.61-68.
15 Oja E. An analysis of convergence for a learning version of the subspace method / Oja E., Karhunen J. //J. Math. Anal. Appl. – 1983. – 91. – P.102-111.
16 Chen T. Global convergence of Oja’s subspace algorithm for principal component extraction / Chen T., Hua Y., Yan W.-Y. // IEEE Trans. on Neural Networks. – 1998. – 9. – P.58-67.
17 Бодянский Е.В. Модифицированный нейрон Оя для анализа нестационарных данных / Бодянский Е.В., Плисс И.П., Тесленко Н.А. // Автоматизация: проблемы, идеи решения: Междунар. науч.-техн. конф.: тезисы докл. –
Севастополь, 2006. – С.18-21.
18 Bishop C. M. Neural Networks for Pattern Recognition / Bishop C. M. – Oxford: Clarendon Press, 1995. – 482 p.
19 Haykin S. Neural Networks. A Comprehensive Foundation / Haykin S. – N.J.: Upper Saddle River, Prentice Hall, Inc., 1999. – 842 p.
20 Abonyi J, Feil B., Németh S.Z., Arva P. Fuzzy Clustering Based Segmentation of TimeSeries / Abonyi J, Feil B., Németh S.Z., Arva P. // Proc. 5th International Symposium on Intelligent Data Analysis. - Berlin, Germany. - 2003. - P. 275- 285.
21 Abonyi J. Introduction to Fuzzy Data Mining Methods. / Abonyi J, Feil B. // Handbook of Research on Fuzzy Information Processing in Databases / J. Galindo (Ed.) - 2008. - P. 55-95.
22 Abonyi J. Cluster analysis for data mining and systems identification / Abonyi J, Feil B. - Birkhäuser. Verlag AG. - Basel-Boston-Berlin. - 2007. - 303 p.
23 Bodyanskiy Ye., Teslenko N. Biomedical information in operative lethality analysis task // Int. J. of Biomedical Soft Computing and Human Sciences. – 2011. – 17. - № 2. – P. 3-9.
24 Винокурова Е.А. Компрессор данных медицинского мониторинга на основе гибридной вэйвлет-нейро-архитектуры / Е.А.Винокурова, А.А.Павлов, И.П. Плисс // Автоматизация: проблемы, идеи, решения. Зб. науч. трудов
по материалам международной научно-технич. конференции. – Севастополь: СевНТУ, 2008. – С. 156-159.
25 Винокурова Е.А. Проблемы компрессии данных большого объема в условиях неопределенности с целью выявления локальных особенностей // Прикладная радиоэлектроника. – 2012. – 11. – №2. - С. 250-254.
26 Bodyanskiy Ye. An adaptive learning algorithm for a wavelet neural network / Bodyanskiy Ye., Lamonova N., Pliss I., Vynokurova O. // Blackwell Synergy: Expert Systems. – 22. – №5 – P. 235-240.
27 Бодянский Е.В. Адаптивный вэйвлон и алгоритм его обучения / Бодянский Е.В., Винокурова Е.А.// Управляющие системы и машины. – 2009. – 1 (219). – C.47-53.
28 Bodyanskiy Ye. Radial-basis-fuzzywavelet-neural network with adaptive activationmembership function / Bodyanskiy Ye., Vynokurova O., Yegorova E. // International Journal on Artificial Intelligence and Machine Learning. – 2008. – V.8. – II. – P. 9-15.
29 Yamakawa T. A neo-fuzzy neuron and its application to system identification and prediction of the system behavior / T. Yamakawa, E. Uchino, T.Miki, H. Kusanagi // Proc. 2nd Int. Conf. on Fuzzy Logic and Neural Networks -Iizuka, Japan. -
1992. - P.477-483.
30 Uchino E., Yamakawa T. Soft computing based signal prediction, restoration and filtering. Intelligent Hybrid Systems: Fuzzy Logic, Neural Networks and Genetic Algorithms. Ed. Da Ruan. Boston: Kluwer Academic Publisher. - 1997. - P. 331-349.
31 Miki I. Analog implementation of neofuzzy neuron and its on-board learning / I. Miki, I. Yamakawa // Computational Intelligence and Applications [Ed. by N.E. Mastorakis]. - Piraeus: WSES Press. - 1999. - P. 144-149.
32 Епанечников В.А. Непараметрическая оценка многомерной плотности вероятности // Теория вероятности и её применение. – 1969.– 14.–№1.–С.156-161
33 Bodyanskiy Ye. An adaptive learning algorithm for a neo fuzzy neuron / Ye. Bodyanskiy, I. Kokshenev, V. Kolodyazhniy // Proc. 3 rd Int. Conf. of European Union Society for Fuzzy Logic and Technology (EUSFLAT'2003). -
Zittau. - 2003. - P. 375-379.

Published

16.04.2014

How to Cite

Бодянский, Е. В., Винокурова, Е. А., Мулеса, П. П., & Слипченко, А. Н. (2014). COMPRESSION OF MEDICAL MONITORING DATA BASED ON HYBRID SYSTEMS OF COMPUTATIONAL INTELLIGENCE YE. V. Oil and Gas Power Engineering, (1(21), 129–134. Retrieved from https://nge.nung.edu.ua/index.php/nge/article/view/305

Issue

Section

SCIENCE AND MODERN TECHNOLOGIES