prikaz prve stranice dokumenta Model strojnog učenja za klasifikaciju poremećaja iz spektra autizma
Rad nije dostupan
završni rad
Model strojnog učenja za klasifikaciju poremećaja iz spektra autizma
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. urn:nbn:hr:168:483622
Petkoviček, Lucija
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Petkoviček, L. (2024). Model strojnog učenja za klasifikaciju poremećaja iz spektra autizma (Završni rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:483622

Petkoviček, Lucija. "Model strojnog učenja za klasifikaciju poremećaja iz spektra autizma." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:483622

Petkoviček, Lucija. "Model strojnog učenja za klasifikaciju poremećaja iz spektra autizma." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:483622

Petkoviček, L. (2024). 'Model strojnog učenja za klasifikaciju poremećaja iz spektra autizma', Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 18.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:483622

Petkoviček L. Model strojnog učenja za klasifikaciju poremećaja iz spektra autizma [Završni rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2024 [pristupljeno 18.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:483622

L. Petkoviček, "Model strojnog učenja za klasifikaciju poremećaja iz spektra autizma", Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:483622

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:483622
Podaci o radu
NaslovModel strojnog učenja za klasifikaciju poremećaja iz spektra autizma
Naslov (engleski)Machine learning model for the autism spectrum disorder classification
AutorLucija Petkoviček
MentorJelena Božek (mentor)
Član povjerenstvaJelena Božek (predsjednik povjerenstva)
Član povjerenstvaSonja Grgić (član povjerenstva)
Član povjerenstvaIvana Žeger (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2024-07-12, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Poremećaji iz spektra autizma (ASD) smatraju se kompleksnijim izazovom današnje medicine, a primjenom strojnog učenja pokušavaju se otkriti najbolje metode dijagnostike, najčešće korištenjem funkcijskih MRI podataka u stanju mirovanja. ABIDE je inicijativa koja osigurava skup podataka i metode pretprocesiranja. U ovom radu se koristi Preprocessed Connectomes Project CPAC (Configurable Pipeline for the Analysis of Connectomes) metoda pretprocesiranja, ekstrakcija matrice povezanosti pomoću dva atlasa, AAL (Automated Anatomical Labeling) i MIST (Multiresolution Intrinsic Segmentation Template) s više podjela regija, selekcija značajki RFE (Recursive Feature Elimination) metodom i SHAP vrijednostima te klasifikacija metodom potpornih vektora. Uspoređene su točnosti klasifikatora sa i bez selekcije značajki, ovisno o odabiru atlasa. Također su uspoređene i same značajke rangirane kao najbolje za korišteni model klasifikacije ASD, ovisno o metodi selekcije značajki i odabiru atlasa.
Sažetak (engleski)
Autism spectrum disorders (ASD) are considered one of the most complex challenges in modern medicine. By applying machine learning, efforts are being made to discover the best diagnostic methods, often using resting-state functional MRI data. ABIDE is an initiative that provides datasets and preprocessing methods. In this study, Preprocessed Connectomes Project CPAC (Configurable Pipeline for the Analysis of Connectomes) preprocessing method is used, connectivity matrix extraction using two atlases, AAL (Automated Anatomical Labeling) and MIST (Multiresolution Intrinsic Segmentation Template) with multiple region parcelations, feature selection using the RFE (Recursive Feature Elimination) method and SHAP values, and classification using the support vector machine method. The accuracies of the classifiers with and without feature selection are compared, depending on the atlas choice. Additionally, the features ranked as the best for the ASD classification model are compared based on the feature selection method and atlas choice.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:483622
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2024-10-12 21:50:54