Name: Un approccio alla valutazione dei dataset EEG per l'analisi dei dati del sonno (en Italiano)
Price: 175.05 PEN
Availability: InStock
Author: Arora, Heena
ISBN: 9786205622315

portada Un approccio alla valutazione dei dataset EEG per l'analisi dei dati del sonno (en Italiano)

Un approccio alla valutazione dei dataset EEG per l'analisi dei dati del sonno (en Italiano)

Formato

Libro Físico

Autor

Heena Arora

Editorial

Edizioni Sapienza

Idioma

Italiano

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.4 cm

Peso

0.10 kg.

ISBN13

9786205622315

Categorías

Tecnología: cuestiones generales

Un approccio alla valutazione dei dataset EEG per l'analisi dei dati del sonno (en Italiano)

Heena Arora (Autor) · Edizioni Sapienza · Tapa Blanda

Libro Nuevo Importado

Envío: 20 a 25 días háb.

S/ 389,00S/ 175,05

-55%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

S/ 175,05

Llega entre el 21 Jul y el 03 Ago a CERCADO DE LIMA, Lima. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Un approccio alla valutazione dei dataset EEG per l'analisi dei dati del sonno (en Italiano)"

La bioinformatica diventa oggi più popolare in quanto combina i problemi medici con il settore tecnico dell'informatica per identificare o rilevare i disturbi medici nel corpo umano. Questo campo è prezioso sia per i medici che per gli sviluppatori di software. Per identificare i disturbi cerebrali come l'epilessia e le parasonnie nei pazienti, i dati EEG vengono recuperati dalla fonte di dati physionet, dove sono disponibili numerosi set di dati per i ricercatori. L'analisi di questo set di dati viene effettuata con polyman, utilizzato come libreria di plottaggio e strumento di trasformazione per trasformare il formato dei dati EDF in formato ASCII. Lo strumento aiuta anche a identificare i diversi parametri utili per le previsioni relative ai disturbi cerebrali. In questo lavoro, è stato sviluppato e implementato un algoritmo migliorato di regressione vettoriale di supporto (SVR) utilizzando un linguaggio di programmazione avanzato come Python e confrontandolo con l'algoritmo classico della macchina vettoriale di supporto (SVM). I risultati mostrano prestazioni migliori di SVR rispetto a SVM sia in termini di complessità che di tempo di esecuzione.