JBT Journal
Advanced

Raqamli Transformatsiya va Sun’iy Intellekt

SUN’IY INTELLEKT ASOSIDA BIOLOGIK SIGNALLARNI QAYTA ISHLASH TIZIMLARINING MATEMATIK MODELI VA DASTURIY ARXITEKTURASINI ISHLAB CHIQISH

Pardayeva Gulmira Abdunazarovna1

1 Axborot texnologiyalari va menejment universiteti

Zenodo DOI: 10.5281/zenodo.22659607

Keywords

signalni filtrlash mashinali o‘qitish Python klassifikatsiya algoritmlari EKG xususiyatlarni ajratish bioinformatik tizim raqamli signalni qayta ishlash EEG matematik model sun’iy intellekt neyron tarmoqlar segmentatsiya biologik signal dasturiy arxitektura EMG

Abstract

Mazkur maqolada biologik signallarni qayta ishlash tizimlarining matematik modeli va sun’iy intellekt asosidagi dasturiy arxitekturasi ishlab chiqish masalasi ko‘rib chiqilgan. Tadqiqot doirasida EKG, EEG va EMG kabi biologik signallarni raqamlashtirish, dastlabki qayta ishlash, shovqinlarni kamaytirish, segmentatsiyalash, informativ belgilarni ajratish hamda mashinali o‘qitish algoritmlari yordamida avtomatik klassifikatsiya qilish jarayonlari yagona hisoblash modeli asosida shakllantirilgan. Taklif etilgan yondashuv signalni qabul qilishdan boshlab, uning matematik qayta ishlanishi va sun’iy intellekt modeli yordamida tahlil qilinishigacha bo‘lgan bosqichlarni modulli dasturiy arxitektura asosida birlashtiradi. Ishlab chiqilgan model va dasturiy yechim biologik ma’lumotlarni intellektual tahlil qilish, aqlli diagnostika tizimlari, bioinformatik platformalar hamda real vaqt rejimida ishlovchi monitoring tizimlarida foydalanish uchun istiqbolli hisoblanadi.

Views: 110 Published: 2026-08-28 Pages: 173-177 Volume: 4 Issue: 4

References

  1. Zohirov K., Temirov M., Boykobilov S., Berdiev G., Ruziboev F., Egamberdiev K., Sattorov M., Pardayeva G., Madatov K. Electromyography-Based Sign Language Recognition: A Low-Channel Approach for Classifying Fruit Name Gestures // Signals. – 2025. – Vol. 6. – Article 50.
  2. Zaynidinov H.N., Rajabov F.F. Методы и алгоритмы предварительной обработки биомедицинских сигналов // Автоматика и программная инженерия. – 2018. – №4(26). – С. 56–60.
  3. Goldberger A.L., Amaral L.A.N., Glass L., Hausdorff J.M., Ivanov P.Ch., Mark R.G., Mietus J.E., Moody G.B., Peng C.-K., Stanley H.E. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals // Circulation. – 2000. – Vol. 101. – No. 23. – P. e215–e220.
  4. Abdunazarovna P.G. A Project-based way to use open biological data in bioinformatics education // Universum: психология и образование. – 2026. – Т. 2. – №1(139). – С. 31–32.
  5. Zohirov K., Makhmudjanov S., Ruziboev F., Berdiev G., Temirov M., Sherboboyeva G., Achilova F., Pardayeva G., Boykobilov S. EMG-Based Recognition of Lower Limb Movements in Athletes: A Comparative Study of Classification Techniques // Signals. – 2025. – Vol. 6. – Article 45.
  6. Pardayeva G.A. Bioinformatik tizimlarda biologik signallarni raqamlashtirish va sun’iy intellekt asosida tahlil qilishning matematik hamda dasturiy ta’minotini ishlab chiqish // Raqamli Transformatsiya va Sun’iy Intellekt ilmiy jurnali. – 2026. – Volume 4, Issue 2. – B. 102–107. – ISSN: 3030-3346.