| DC Field | Value | Language |
|---|
| dc.contributor.author | Лаптева, Е. А. | - |
| dc.contributor.author | Харевич, О. Н. | - |
| dc.contributor.author | Катибникова, Е. И. | - |
| dc.contributor.author | Лаптев, А. Н. | - |
| dc.contributor.author | Коваленко, И. В. | - |
| dc.contributor.author | Позднякова, А. С. | - |
| dc.contributor.author | Коровкин, В. С. | - |
| dc.contributor.author | Мушовец, А. И. | - |
| dc.contributor.author | Безручко, И. В. | - |
| dc.contributor.author | Горенюк, О. Л. | - |
| dc.contributor.author | Эльжбур, М. С. | - |
| dc.contributor.author | Ермоленко, О. П. | - |
| dc.contributor.author | Воронова, Н. А. | - |
| dc.contributor.author | Буракевич, О. И. | - |
| dc.contributor.author | Мартынюк, А. Н. | - |
| dc.contributor.author | Чабан, Т. Ф. | - |
| dc.contributor.author | Хотько, В. В. | - |
| dc.contributor.author | Лобан, Е. Н. | - |
| dc.contributor.author | Журович, М. И. | - |
| dc.contributor.author | Дулуп, И. П. | - |
| dc.contributor.author | Каранкевич, А. А. | - |
| dc.contributor.author | Зябко, М. Н. | - |
| dc.contributor.author | Бинецкая, Е. А. | - |
| dc.contributor.author | Нарушевич, Ю. Ю. | - |
| dc.contributor.author | Дубинецкий, В. В. | - |
| dc.contributor.author | Алешкевич, С. И. | - |
| dc.coverage.spatial | Минск | ru_RU |
| dc.date.accessioned | 2022-12-28T06:59:55Z | - |
| dc.date.available | 2022-12-28T06:59:55Z | - |
| dc.date.issued | 2022 | - |
| dc.identifier.citation | «Нейронная сеть» в респираторной медицине = Neural networks in respiratory medicine / Е. А. Лаптева [и др.] // Медэлектроника–2022. Средства медицинской электроники и новые медицинские технологии : сборник научных статей XIII Международной научно-технической конференции, Минск, 8-9 декабря 2022 г. / Белорусский государственный университет информатики и радиоэлектроники ; отв. за вып.: М. В. Давыдов. – Минск : БГУИР, 2022. – С. 246–250. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/49618 | - |
| dc.description.abstract | Внедрение электронной аускультации в практику пульмонолога и физиатра представляется перспективным и целесообразным, так как обусловливает объективность трактовки респираторных феноменов, возможность ревизии и экспертной оценки при непосредственном и отдаленном анализе. В Республике Беларусь данное направление практически не разрабатывалось. Цель. Изучить эффективность использования нейронных сетей при осуществлении диагностических мероприятий у пациентов с заболеваниями органов дыхания. Материал и методы. Использовался программноаппаратный комплекс Lung Pass на основе алгоритма машинного обучения для классификации типа аускультативного феномена. Результаты. Автоматическая система анализа звуковых феноменов обладает высокой чувствительностью (80,81-93,33%) и специфичностью (83,33-98,99%), позволяет объективизировать аускультативные данные. Выводы. Использование метода автоматической классификации аускультативных феноменов на базе машинного обучения позволит повысить эффективность ранней диагностики и мониторинга респираторной патологии. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БГУИР | ru_RU |
| dc.subject | материалы конференций | ru_RU |
| dc.subject | нейронные сети | ru_RU |
| dc.subject | болезни органов дыхания | ru_RU |
| dc.subject | пульмонология | ru_RU |
| dc.subject | физиатрия | ru_RU |
| dc.subject | Lung Pass | ru_RU |
| dc.title | «Нейронная сеть» в респираторной медицине | ru_RU |
| dc.title.alternative | Neural networks in respiratory medicine | ru_RU |
| dc.type | Article | ru_RU |
| local.description.annotation | The implementation of electronic auscultation into the pulmonology and phthisiology practice seems perspective and expedient, since it provides objective interpretation of respiratory phenomena, the possibility of their revision and expert evaluation in on-site and remote analysis. In the Republic of Belarus this field of research has not been previously developed. Aim. To study the efficacy of neural networks application in the diagnostic of the respiratory diseases. Material and methods. Hardware-software complex Lung Pass based on machine learning algorithm was used for classification of lung sound type. Results. The automatic system of lung sound analysis has high sensitivity (80,81-93,33%) and specificity (83,33-98,99%) and allows to objectivize auscultatory data. Conclusions. The use of automatic classification of lung sounds based on machine learning will improve the efficiency of early diagnosis and monitoring of respiratory pathology. | ru_RU |
| Appears in Collections: | Медэлектроника - 2022
|
