Cataract Detection using Machine Learning and Neural Network
Article Sidebar
Main Article Content
Abstract
This research is the development of Cataract Detection using Machine Learning and Neural Network. The purpose of the research is to develop cataract detection using machine learning and neural network. The development equipment is divided into hardware groups, namely Raspberry Pi connected to the camera and software segments include Python IDE programs to write commands for system control.
The result of the study has a IoT using Raspberry Pi Model B prototype connected to camera and using Python language for cataract detection using machine learning and neural network. The result showed that the specialists had overall opinions at the highest level ( = 4.62, SD. = 0.52) and system users had overall satisfaction at the highest level ( = 4.82, SD. = 0.50). For the efficiency test of this a cataract detection using machine learning and neural network, it was found that the system had an average for cataract detection accuracy at 97.50%.
Article Details
References
ทองคูณ ยุบัวภา. (2551). คุณภาพชีวิตของผู้สูงอายุที่เป็นต้อกระจกระยะก่อนและภายหลังผ่าตัดต้อกระจก. วารสารพยาบาลศาสตร์และสุขภาพ, 31(3): 42-52.
สุทธิชัย จิตะพันธุ์กุล. (2542). หลักสำคัญของเวชศาสตร์ผู้สูงอายุ (พิมพ์ครั้งที่2). กรุงเทพมหานคร: ภาควิชา อายุรศาสตร์ คณะแพทยศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย.
วัฒนีย์ เย็นจิตร. (2546). Elimination of avoidable blindness (vision 2020a56/26). World Health Assembly ครั้งที่ 56 วันที่ 27 พฤษภาคม 2546 ณ ห้องประชุม Committee A WHO. จักษุ สาธารณสุข.17: 137-144.
เพ็ญแข ชีวยะพันธ์. (2545). คุณภาพการดูแลผู้สูงอายุที่อยู่ในภาวะพึ่งพา. วิทยานิพนธ์ปริญญาพยาบาลวิชาชีพ มหาบัณฑิต สาขาพยาบาลศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย.
ศิริลักษณ์ กิจศรีไพศาล. (2545). การพยาบาลวิชาชีพผู้รับบริการที่ผิดปกติทางตา. กรุงเทพมหานคร: สำนักพิมพ์ มหาวิทยาลัยธรรมศาสตร์.
วัลลภ เอี่ยมสมบุญ. (2545). การดูแลดวงตาของผู้สูงอายุ. ในสายัณห์ สวัสดิ์ศรี และคณะ(บรรณาธิการ). คลินิกชายวัยทอง. โรงพยาบาลพระมงกุฎเกล้า. กรุงเทพมหานคร: บริษัท บียอนด์เอ็นไพรช์ จำกัด.
M. Mohri, A. Rostamizadeh, and A. Talwalkar (2012). Foundations of machine learning. MIT press.
E. Alpaydin. (2009). Introduction to machine learning. MIT press.
I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.
Garson, G. D. (1998) Neural Networks an Introductory Guide for Social Scientists. London: SAGE.
I. Jindal, P. Gupta and A. Goyal (2019). Cataract Detection using Digital Image Processing, 2019 Global Conference for Advancement in Technology (GCAT), BANGALURU, India, pp. 1-4.
M. Yusuf, S. Theophilous, J. Adejoke and A. B. Hassan (2019). Web-Based Cataract Detection System Using Deep Convolutional Neural Network, 2019 2nd International Conference of the IEEE Nigeria Computer Chapter (NigeriaComputConf), Zaria, Nigeria, pp. 1-7.
V. Agarwal, V. Gupta, V. M. Vashisht, K. Sharma and N. Sharma (2019X). Mobile Application Based Cataract Detection System, 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI), Tirunelveli, India, pp. 780-787.
J. Rana and S. M. Galib (2017). Cataract detection using smartphone, 2017 3rd International Conference on Electrical Information and Communication Technology (EICT), Khulna, pp. 1-4.
Y. Cheawachan (2020). Comparing Efficiency in Copying Video Files through Powerline between NFS and FTP: A Case Study of Developing a Low-cost Smart CCTV System through Raspberry Pi, Journal of Information Science and Technology, 10 (1), 30-38.
Best, John W.& Kahn,James V. (1998). Research in Education (8th ed.). Allyn and Bacon.
Rauniar, R., Rawski, G., Yang, J., & Johnson, B. (2014). Technology acceptance model (TAM) and social media usage: an empirical study on Facebook Journal of Enterprise Information Management, 27(1), 6-30.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13 (3), 319–340.
