Please use this identifier to cite or link to this item: http://elartu.tntu.edu.ua/handle/lib/35791
Title: Дослідження засобів машинного навчання для класифікації відомостей щодо тестування COVID-19
Other Titles: Study of machine learning capabilities for COVID-19 testing data classification
Authors: Малий, Андрій Іванович
Malyi, Andrii
Affiliation: ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна
Bibliographic description (Ukraine): Малий А. І. Дослідження засобів машинного навчання для класифікації відомостей щодо тестування COVID-19 : кваліфікаційна робота освітнього рівня „Бакалавр“ „122 — комп’ютерні науки“ / А. І. Малий. — Тернопіль : ТНТУ, 2021. — 43 с.
Issue Date: 24-Jun-2021
Submitted date: 10-Jun-2021
Date of entry: 11-Jul-2021
Country (code): UA
Place of the edition/event: ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна
Supervisor: Пасічник, Володимир Володимирович
Committee members: Скоренький, Юрій Любомирович
UDC: 004.62
Keywords: COVID-19
COVID-19
видобування
mining
інтелектуальний аналіз
intellectual analysis
класифікація
classification
машинне навчання
machine learning
штучний інтелект
artificial intelligence
Abstract: Кваліфікаційна робота присвячена дослідженню засобів машинного навчання для класифікації відомостей щодо тестування COVID-19. Метою даної кваліфікаційної роботи освітнього рівня «Бакалавр» підвищення ефективності процесів виявлення COVID-19 завдяки використанню методів машинного навчання. В першому розділі кваліфікаційної роботи описана пандемія COVID-19. Проаналізовано стан досліджень та виконано огляд літературних джерел. Висвітлено машинне навчання, як важливий аналітичний засіб у царині інформаційних технологій. Розглянуто COVID-19 та машинне навчання. В другому розділі кваліфікаційної роботи освітнього рівня «Бакалавр» подано класифікацію стадій COVID-19. Досліджено аналітичне опрацювання ренгенографічних зображень із використанням методів машинного навчання. Запропоновано алгоритм класифікації стадій COVID-19. Здійснено аналіз результатів використання методів машинного навчання для діагностування COVID-19. У розділі «Безпека життєдіяльності, основи хорони праці» описано категорійно-понятійний апарат з безпеки життєдіяльності.
Qualification work is devoted to the study of machine learning tools for the classification of information on COVID-19 testing. The purpose of this qualification work of the educational level "Bachelor" is to increase the efficiency of COVID-19 detection processes through the use of machine learning methods. The first section of the qualification work describes the COVID-19 pandemic. The state of research is analyzed and a review of literature sources is performed. Machine learning is highlighted as an important analytical tool in the field of information technology. COVID-19 and machine learning are considered. In the second section of the qualification work of the educational level "Bachelor" the classification of stages COVID-19 is given. Analytical processing of radiographic images using machine learning methods has been studied. An algorithm for classifying COVID-19 stages is proposed. The analysis of the results of using machine learning methods for diagnosing COVID-19 is performed. In the section "Life safety, basics of labor protection" the categorical-conceptual device on life safety is described.
Content: ВСТУП 8 1 ПАНДЕМІЯ COVID-19, СТАН ДОСЛІДЖЕНЬ ТА МАШИННЕ НАВЧАННЯ 9 1.1 Пандемія COVID-19 9 1.2 Стан досліджень та огляд літературних джерел 11 1.3 Машинне навчання 15 1.4 COVID-19 та машинне навчання 18 1.5 Висновок до першого розділу 20 2 АНАЛІТИЧНЕ ОПРАЦЮВАННЯ ВІДОМОСТЕЙ ЩОДО COVID-19 ІЗ ВИКОРИСТАННЯМ ЗАСОБІВ МАШИННОГО НАВЧАННЯ 21 2.1 Класифікація стадій COVID-19 21 2.2 Аналітичне опрацювання ренгенографічних зображень із використанням методів машинного навчання 22 2.3 Алгоритм класифікації стадій COVID-19 25 2.4 Аналіз результатів використання методів машинного навчання для діагностування COVID-19 27 2.5 Висновок до другого розділу 33 3 БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ХОРОНИ ПРАЦІ 34 3.1 Категорійно-понятійний апарат з безпеки життєдіяльності 34 3.2 Вплив шуму на організм людини і засоби його мінімізації на робочому місці 36 ВИСНОВКИ 38 ПЕРЕЛІК ДЖЕРЕЛ 39
URI: http://elartu.tntu.edu.ua/handle/lib/35791
Copyright owner: © Малий Андрій Іванович, 2021
References (Ukraine): 1 Oleksii Duda, Liliana Dzhydzhora, Oleksandr Matsiuk, Andrii Stanko, Nataliia Kunanets, Volodymyr Pasichnyk, Oksana Kunanets. Mobile Information System for Monitoring the Spread of Viruses in Smart Cities. SISN. 2020; Volume 8: pp. 65 - 70. (Index Scopus). 2 Wang N, Liu H and Xu C (2020) Deep Learning for the Detection of COVID-19 Using Transfer Learning and Model Integration. In: 10th International conference on electronics information and emergency communication (ICEIEC), p 281–284. IEEE. 3 Duda, O., Pasichnyk, V., Kunanets, N., Antonii, R., & Matsiuk, O. (2020, September). Multidimensional Representation of COVID-19 Data Using OLAP Information Technology. In 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 2, pp. 277-280). IEEE. (Index Scopus). 4 Chamola V, Hassija V, Gupta V, Guizani M (2020) A comprehensive review of the COVID-19 pandemic and the role of IoT, drones, AI, blockchain, and 5G in managing its impact. IEEE Access 8:90225– 90265. https ://doi.org/10.1109/ACCES S.2020.29923 41. 5 Oleksii Duda, Oleksandr Matsiuk, Nataliia Kunanets, Volodymyr Pasichnyk, Antonii Rzheuskyi and Yuriy Bilak, “Formation of Hypercubes Based on Data Obtained from Systems of IoT Devices of Urban Resource Networks”, International Journal of Sensors, Wireless Communications and Control (2020) 10: 1. ISSN 2210-3287. 6 Li L, Qin L, Xu Z, Yin Y, Wang X, Kong B, Bai J, Lu Y, Fang Z, Song Q, Cao K (2020) Artificial intelligence distinguishes COVID-19 from community acquired pneumonia on chest CT. Radiology. https :// doi.org/10.1148/2Frad iol.20202 00905. 7 Duda, O., et al, Selection of Effective Methods of Big Data Analytical Processing in Information Systems of Smart Cities. CEUR Workshop Proceedings 2631, pp. 68-78. 2020. 8 Zhang C et al (2020a) Applying feature-weighted gradient decent k-nearest neighbor to select promising projects for scientifc funding. CMC Comput Mater Cont 64(3):1741–1753. 9 Hastie TR, Tibshirani JF (2009) The elements of statistical learning: data mining, inference, and prediction. Springer Science and Business Media, Berlin. 10 Ünlü R, Namlı E (2020) Machine learning and classical forecasting methods based decision support systems for COVID-19. CMC Comput Mater Cont 64(3):1383–1399. 11 Shirzadi A et al (2018) Novel GIS based machine learning algorithms for shallow landslide susceptibility mapping. Sensors 18(11):3777. 12 Gao K et al (2020) Julia language in machine learning: algorithms, applications, and open issues. Comput Sci Rev 37:100254. 13 Bishop CM (2006) Pattern recognition and machine learning. Springer, Berlin. 14 Zhang Y et al (2020b) Overview on routing and resource allocation based machine learning in optical networks. Opt Fiber Technol 60:102355. 15 Kwekha-Rashid, Ameer Sardar, Heamn N. Abduljabbar, and Bilal Alhayani. "Coronavirus disease (COVID-19) cases analysis using machine-learning applications." Applied Nanoscience (2021): 1-13. 16 Bishop CM (2006) Pattern recognition and machine learning. Springer, Berlin. 17 Khanday AMUD et al (2020) Machine learning based approaches for detecting COVID-19 using clinical text data. Int J Inf Technol 12(3):731–739. 18 Oh, Y., Park, S. & Ye, J. C. Deep learning COVID-19 features on CXR using limited training data sets. IEEE Trans. Med. Imaging 39, 2688–2700. https:// doi. org/ 10. 1109/ TMI. 2020. 29932 91 (2020). 19 Wang, S. et al. A Fully automatic deep learning system for COVID-19 diagnostic and prognostic analysis. Eur. Respir. J. 2000775, https:// doi. org/ 10. 1183/ 13993 003. 00775- 2020 (2020). 20 World Health Organization. Chest Radiography in Tuberculosis Detection. (World Health Organization, 2016). 21 Roy, S. et al. Deep learning for classification and localization of COVID-19 markers in point-of-care lung ultrasound. IEEE Trans. Med. Imaging 39, 2676–2687. https:// doi. org/ 10. 1109/ TMI. 2020. 29944 59 (2020). 22 Dai, W. C. et al. CT imaging and differential diagnosis of COVID-19. Can. Assoc. Radiol. J. 71, 195–200. https:// doi. org/ 10. 1177/ 08465 37120 913033 (2020). 23 Wong, H. Y. F. et al. Frequency and distribution of chest radiographic findings in COVID-19 positive patients. Radiology. 201160, https:// doi. org/ 10. 1148/ radiol. 20202 01160 (2020). 24 Du, Y. et al. Classification of tumor epithelium and stroma by exploiting image features learned by deep convolutional neural networks. Ann. Biomed. Eng. 46, 1988–1999. https:// doi. org/ 10. 1007/ s10439- 018- 2095-6 (2018). 25 Duda, O., Palka, O., Pasichnyk, V., Matsiuk, O., Kunanets, N., & Tabachyshyn, D. (2020, September). Existing City Assessment Systems. In 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 2, pp. 238-241). IEEE. 26 Sun, L., Shao, W., Wang, M., Zhang, D. & Liu, M. High-order feature learning for multi-atlas based label fusion: Application to brain segmentation with MRI. IEEE Trans. Image Process. 29, 2702–2713. https:// doi. org/ 10. 1109/ TIP. 2019. 29520 79 (2020). 27 Ramanathan, Shalini, and Mohan Ramasundaram. "Accurate computation: COVID-19 rRT-PCR positive test dataset using stages classification through textual big data mining with machine learning." The Journal of Supercomputing (2021): 1-15. 28 Zhang, K. et al. Clinically applicable AI system for accurate diagnosis, quantitative measurements, and prognosis of COVID-19 pneumonia using computed tomography. Cell 181, 1423-1433.e1411. https:// doi. org/ 10. 1016/j. cell. 2020. 04. 045 (2020). 29 Khuzani, Abolfazl Zargari, Morteza Heidari, and S. Ali Shariati. "COVID-Classifier: An automated machine learning model to assist in the diagnosis of COVID-19 infection in chest x-ray images." Scientific Reports 11.1 (2021): 1-6. 30 Krizhevsky, A., Sutskever, I. & Hinton, G. E. ImageNet classifcation with deep convolutional neural networks. Adv. Neural. Inf. Process. Syst. 25, 1097–1105 (2012). 31 Simonyan, K. & Zisserman, A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556 (2014). 32 Szegedy, C. et al. Going Deeper with Convolutions. arXiv:1409.4842 (2014). 33 He, K., Zhang, X., Ren, S. & Sun, J. Deep Residual Learning for Image Recognition. arXiv:1512.03385 (2015). 34 Dimastromatteo, J., Charles, E. J. & Laubach, V. E. Molecular imaging of pulmonary diseases. Respir. Res. 19, 17. https://doi.org/10.1186/s12931-018-0716-0 (2018). 35 Kesim, E., Dokur, Z. & Olmez, T. X-Ray chest image classifcation by a small-sized convolutional neural network. In Scientifc Meeting on Electrical-Electronics. 1–5, https://doi.org/10.1109/EBBT.2019. 8742050 (2019). 36 Охорона праці та цивільний захист: Підручник для студ., які навчаються за спеціальностями галузей знань «Автоматизація та приладобудування» / О. Г. Левченко, О. І. Полукаров, В. В. Зацарний, Ю. О. Полукаров, О. В. Землянська за ред. О. Г. Левченка. – Київ: КПІ ім. Ігоря Сікорського, 2018. – 417 с. 37 Вплив шуму на організм людини і засоби його мінімізації на робочому місці. https://oppb.com.ua/news/vplyv-shumu-na-organizm-lyudyny-i-zasoby-yogo-minimizaciyi-na-robochomu-misci.
Content type: Bachelor Thesis
Appears in Collections:122 — Компʼютерні науки (бакалаври)

Files in This Item:
File Description SizeFormat 
2021_KRB_SNs-42_Malyi_AI.pdf1,95 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

Admin Tools