LES TELEPHONES CELULAIRES INFLUANCE LE BEM HUMAIN
Résultats actuels des expériences avec des images GDV
Igor Kononenko, Tatjana Zrimec, Aleksander Sadikov, Matjaž Bevk
Université de Ljubljana, faculté d'informatique et de sciences de l'information
Tržaška 25, 1000 Ljubljana, Slovénie
tel: + 386-1-4768390, fax: + 386-1-4768386
courrier électronique: {igor.kononenko; aleksander.sadikov}@fri.uni-lj.si
Mots clés
Caméra Kirlian, champ bioélectromagnétique, apprentissage automatique, couronne
Abstrait
Technologie récemment mise au point pour enregistrer le champ bioélectromagnétique humain (BEM) à l’aide du
La technique de visualisation de décharge (GDV) fournit des informations utiles sur le BEM humain. Nous utilisons
analyse statistique et apprentissage automatique pour interpréter les coronas GDV de fruits et de doigts chez l'homme
afin de vérifier trois hypothèses:
(A) les images GDV contiennent des informations utiles sur l'objet / le patient,
(B) le BEM humain peut être influencé par certains facteurs extérieurs, et
(C) la carte des organes sur les coronas du bout des doigts est logique.
Nous avons effectué plusieurs études indépendantes, que nous décrivons ici brièvement: enregistrement de couronnes de baies
de différentes vignes, en détectant l’influence de boire de l’eau du robinet à partir de verre ordinaire et énergétique
verre K2000, détectant l’influence d’une source d’énergie naturelle à Tunjice près de Kamnik, en Slovénie, sur
BEM humain, en vérifiant l'influence des téléphones mobiles avec ou sans protection énergétique sur l'homme
BEM, et en établissant la relation entre les diagnostics énergétiques d'un guérisseur extrasense et les images GDV.
Toutes les études, ainsi que certaines autres études décrites ailleurs, ont donné des résultats significatifs et donc
soutenir les trois hypothèses.
1. Introduction
La technologie d’apprentissage automatique (Mitchell, 1997) est bien adaptée à l’induction de diagnostics et
règles pronostiques et la résolution de problèmes de classification, de diagnostic et de pronostic de petite taille et spécialisés .
Technologie récemment mise au point pour enregistrer le champ bioélectromagnétique humain (BEM) à l’aide du
La technique de visualisation de décharge (GDV) (Korotkov, 1998) fournit des informations utiles sur la
BEM. Cette technique est également connue sous le nom d’effet de Kirlian qui apparaît lorsqu’on expose l’objet / patient à
champ électromagnétique haute fréquence haute tension.
La caméra Crown TV , qui fait partie de l’équipement GDV (Korotkov, 1998), enregistre les couronnes de
doigts en tant qu'images GDV (images bitmap). Cependant, le problème est l'interprétation des images GDV.
En utilisant l’apprentissage automatique, nous pourrions éliminer ce problème en générant automatiquement
règles de classification à partir d'images GDV. Pour cela, les images Kirlian doivent être décrites avec un jeu de
de paramètres. Les paramètres sont calculés avec un programme informatique GDV Analysis (Korotkov, 1998), qui
vient avec l'appareil photo. Il est également possible de générer la couronne de tout le corps humain à partir de couronnes
des dix doigts. Le programme est basé sur une carte, développée par Mandel (1986). Cette carte définit
Page 2
2
les régions (secteurs) de la couronne de chaque doigt doivent être liées à un organe ou à un système d'organe spécifique dans le corps.
Korotkov (1998) et son équipe ont légèrement modifié cette carte.
Dans le passé, nous avions déjà réalisé plusieurs études indépendantes (Kononenko et al., 1999): enregistrement de couronnes
de la peau de pomme, reliant les corones des doigts des femmes à l’état du cycle menstruel, en détectant la
l’influence de différents T-shirts sur le BEM humain, en étudiant les effets du programme d’art de vivre sur le
BEM de ses participants (Trampuž et al., 1999).
Nous avons enregistré des couronnes de fruits et des doigts humains avec l'appareil photo Kirlian. Les couronnes enregistrées
sont ensuite traités et décrits par un ensemble de paramètres numériques. Ensuite, nous utilisons l'apprentissage automatique
algorithmes pour interpréter les couronnes GDV afin de vérifier trois hypothèses: 1. Les images GDV
contient des informations utiles sur la plante / personne. 2. Le champ bioélectromagnétique humain peut être
influencés par des facteurs extérieurs, tels que des t-shirts spéciaux. 3. La carte des couronnes des doigts selon
à la médecine chinoise a du sens.
Nous avons effectué plusieurs études indépendantes, rapportées dans cet article dans les sections suivantes:
l’influence des téléphones mobiles avec ou sans protection énergétique sur le BEM humain, en établissant
la relation entre les diagnostics énergétiques d'un guérisseur extrasense et les images GDV, l'enregistrement de couronnes de
baies de différentes vignes, en détectant l’influence de boire l’eau du robinet à partir de verre ordinaire et
le verre énergétique K2000 et la détection de l’influence d’une source d’énergie naturelle à Tunjice près de Kamnik,
Slovénie, sur le BEM humain.
2. L'influence des téléphones mobiles sur le champ bioélectromagnétique humain
Nous avons enregistré les couronnes des dix doigts de cinq groupes de personnes qui portaient le téléphone portable
téléphonez au-dessus de leur cœur pendant une heure dans différentes conditions: sans aucune protection,
avec deux protections énergétiques différentes, avec une protection placebo et un groupe de contrôle sans mobile
téléphones. Les résultats indiquent que les téléphones mobiles affectent négativement le champ humain BEM, cette énergie
la protection de Minnie Hein fonctionne bien, tandis que la protection contre placebo ne fonctionne pas, et cette énergie
protection de Milan Mladženović élimine non seulement la mauvaise influence des téléphones mobiles, mais également
renforce le BEM humain.
2.1 Le but de l'étude
Le but de notre étude était de faire une analyse comparative des effets sur la santé humaine.
champ bioélectromagnétique (BEM), potentiellement causé par les téléphones mobiles. Les données sur le BEM de la personne
a été recueilli en enregistrant des couronnes des dix doigts à l’aide de l’appareil photo Kirlian Crown-TV. Photos pour
chaque personne a été prise trois fois - la première fois avant de porter le téléphone cellulaire allumé, le
deuxième fois après que le téléphone a été porté pendant une demi-heure, et la troisième fois après avoir porté le téléphone pendant
une heure entière. Essayer de révéler les influences des téléphones cellulaires dans de nombreuses circonstances différentes,
nous avons conçu cinq scénarios différents. Selon eux, les gens ont été divisés en cinq groupes:
• groupe témoin de 17 personnes - sujets sans téléphone cellulaire;
• 19 personnes portant des téléphones cellulaires sans aucune protection contre les éventuels effets sur leur BEM;
• 14 personnes portant des téléphones cellulaires et un bouclier électromagnétique, inventées par la thérapeute Minnie
Hein du Pérou; le bouclier de champ électromagnétique consiste en une petite bouteille qui contient des essences
(eau alcoolisée, codée de la même manière qu’en homéopathie);
• 18 personnes portant des téléphones cellulaires équipés de la protection de Milan Mladženović
de Belgrade; la protection est constituée de matériau ferromagnétique, bioénergétique
Page 3
3
codé;
• 16 personnes portant des téléphones cellulaires avec une fausse protection - petite plaque ayant l’air identique à
protection de Milan Mladženović; le but de ce groupe était d’observer un éventuel placebo.
effet.
Dans tous les cas, le téléphone cellulaire était porté à la hauteur du cœur de l'homme - il était suspendu au cou,
en utilisant la ficelle. Les données recueillies ont été traitées statistiquement. Le document décrit les méthodes utilisées et
résultats.
2.2 Mesures et préparation des données
Les mesures
La collecte de données a été la première et la plus importante étape de notre étude. Il était organisé en cinq
séances de prise de vue. La procédure de mesure était normalisée et était la même pour tous
bénévole collaborateur. Tous les volontaires ont été invités à éteindre leur téléphone portable au moins trois heures
avant notre session d'enregistrement et de les garder éteints jusqu'au début. Considérant que c'était
vraisemblable que la première mesure d’un volontaire donné, faite sans son téléphone cellulaire, n’était pas
encore influencé par les effets possibles que les téléphones cellulaires pourraient avoir sur BEM. Après le premier
le téléphone du volontaire a été allumé et des photos après trente minutes et soixante minutes
les intervalles seraient pris avec des téléphones portés à la hauteur autour du cœur. De cette manière, nous avons trois fois
coronas enregistrés des dix doigts de chacun des 84 volontaires.
Traitement de l'information
Pour l'analyse statistique des données recueillies, les images devaient être transformées en valeurs numériques. Ce
a été réalisé avec le programme GDV-Analysis, qui accompagne Crown-TV. GDV-Analysis se transforme
images en paramètres numériques, qui décrivent les caractéristiques des coronas du bout des doigts. Nous avons utilisé seulement
paramètres qui, dans des études antérieures, se sont révélés importants (Kononenko et al., 1999; 2000; Trampuž et al.,
1999):
1.
Zone de GDV-gramme.
7.
Nombre de fragments séparés dans l'image.
8
Surface moyenne des fragments.
dix.
Surface relative de la couronne.
17.1.-17.9
Zones dans les secteurs du doigt particulier.
Le téléphone étant porté à la hauteur du cœur de l'homme, nous avons décidé de n'observer que 22 personnes.
paramètres sur 79 dans les secteurs 17.1. - 17.9. que selon la carte des couronnes des doigts correspondent uniquement à
ces parties du corps, qui pourraient avoir été influencées par les téléphones cellulaires. Ici sont inclus 4 secteurs pour
coeur, 2 secteurs pour la gorge avec la glande thyroïde et 2 secteurs pour le cerveau, la colonne vertébrale dorsale, la circulation sanguine,
lymphe, poitrine, tête, glande pinéale et système respiratoire. Nous avons également défini des ressources supplémentaires potentiellement
paramètres significatifs:
- CW - largeur corona;
- paramètres, décrivant les variations en pourcentage relatives des paramètres 1, 7, 8, 10 et CW.
Dans la prochaine étape, la moyenne des paramètres 1,7,8,10, CW et leurs équivalents en pourcentage sur les dix
doigts pour chaque personne particulière a été calculée. Observer le changement relatif de chaque paramètre pour un
Page 4
4
personne donnée dans un intervalle de soixante minutes, nous avons également calculé la différence entre les valeurs moyennes de ces valeurs.
paramètres après la période de soixante minutes et les paramètres décrivant la couronne de la personne avant de porter la
téléphone portable.
Le tableau 2.1 présente les différences moyennes des valeurs des paramètres. Le tableau comprend deux paramètres qui
décrivent des secteurs corona particuliers et se sont avérés être les plus importants. Ces deux paramètres sont
3R-6 (sixième secteur sur le troisième doigt de la main droite), qui, selon la carte des couronnes, correspond au cœur
et 1R-4, qui correspond à la gorge et à la glande thyroïde.
Tableau 2.1: Différences entre les valeurs de paramètres importants en une heure pour cinq groupes
param.
groupe de contrôle avec téléphone
placebo
groupe
groupe w / bouclier
de M. Hein
groupe w / bouclier de
M. Mladženovi ć
1
226,1
115,0
15.4
252.0
504.2
7
0,87
0,16
0,04
-0,16
-0,58
8
-769,5
-224.9
-255.2
-165.8
289,5
dix
0,189
-0.056
-0.248
0,082
0,226
%1
0,063
-0,001
-0,003
0,064
0,123
%7
-0,123
-0,107
-0,116
-0,102
-0,181
% 8
-0.214
-0,139
-0,124
-0,104
0,019
%dix
-0,038
-0,112
-0,110
-0,038
-0,007
CW
1,033
0,131
-0,273
1,044
2,071
% CW
0,075
0,011
-0,012
0,055
0,125
3R-6
68,2
-144,5
-50,7
21.3
124.2
1R-4
248,1
-27,4
-230.3
84,0
250,6
Les paramètres 1,% 1, 10,% 10, CW et% CW indiquent que
- il existe un effet négatif similaire des téléphones mobiles sur le BEM humain dans les groupes avec
téléphone et groupe placebo;
- les résultats dans le groupe témoin sont similaires à ceux du groupe avec le bouclier de Minnie Hein, indiquant que
le bouclier influence le BEM humain d'une manière qui néglige l'effet des téléphones mobiles;
- le bouclier de Milan Mladženović a un effet positif - non seulement il neutralise l'effet de
les téléphones cellulaires, mais cela renforce également le BEM humain;
- les paramètres 3R-6 et 1R-4 impliquent des conclusions similaires: la protection contre placebo n’a aucun effet, la
téléphones affectent négativement le BEM humain, les deux boucliers sont efficaces et en plus du bouclier de M.
Mladženović a un effet amplificateur.
2.3 Analyse statistique
Pour estimer si les changements de paramètres étaient significatifs, nous avons utilisé le test t de Student. L'importance
le niveau α a été choisi pour être 0,05. La majorité de ces tests ont indiqué des changements insignifiants. le
La cause probable est un trop grand écart-type des valeurs des paramètres. Ce problème pourrait être atténué
avec un plus grand nombre de personnes dans chaque groupe. L'importance s'est surtout manifestée au sein d'un groupe de personnes,
portant des téléphones cellulaires équipés du bouclier de M. Mladženović. Le BEM des sujets appartenant à
ce groupe, ont été considérablement augmentés.
Page 5
5
Des tests t entre différentes classes ont également été effectués afin de déterminer si les différences
entre les valeurs parmi toutes les paires de classes possibles étaient suffisamment grandes pour que les résultats soient significatifs.
assez par rapport à leur écart. La plupart de ces tests ont également montré des changements insignifiants entre
5 * 4/2 = 10 paires de groupes. Mais malgré cela, les résultats des paramètres 10, 1R-4, 3R-6 et CW indiquent
cette:
1. le groupe de contrôle et le groupe avec le bouclier de Minnie Hein sont similaires - il n'y a pas de
changements entre eux;
2. le groupe placebo avait un BEM pire que le groupe témoin - indiqué par des changements significatifs du
paramètre 1R-4 (et partiellement par les paramètres presque significatifs 3R-6, 10 et CW);
3. le groupe de contrôle et le groupe avec le bouclier de Milan Mladženović sont similaires - il n'y a pas
des changements importants entre eux;
4. le groupe avec le téléphone cellulaire avait pire BEM que le groupe témoin - indiqué par significatif
modification du paramètre 3R-6 (et partiellement de 1R-4 et 10 presque significatifs);
5. le groupe placebo avait un BEM pire que le groupe avec le bouclier de Minnie Hein - partiellement indiqué
par un changement presque significatif des paramètres 10 et 1R-4 (et légèrement par la signification indiquée de
CW);
6. le groupe avec le bouclier de Minnie Hein est semblable au groupe avec le bouclier de Milan
Mladženović - il n'y a pas de changement significatif entre eux;
7. le groupe avec le téléphone avait pire BEM que le groupe avec le bouclier de Minnie Hein - a indiqué
par un changement presque significatif du paramètre 3R-6 (ce test a montré la moins grande signification);
8. le groupe placebo avait un pire BEM que le groupe avec le bouclier de Milan Mladženović -
indiqué par des changements significatifs dans 1R-4, 3R-6 et CW (et partiellement par presque significative
changement en 10)
9. le groupe avec téléphone est similaire au groupe placebo - il n'y a pas de changement significatif
entre eux;
10. le groupe avec le téléphone avait un BEM pire que celui qui portait le bouclier de Milan Mladženović -
par un changement significatif dans 3R-6 (et partiellement par des changements presque significatifs dans 1R-4 et
CW, et légèrement par signification indiquée de 10)
2.4 Analyse des groupes fusionnés
Pour atténuer l’effet indésirable d’une trop grande déviation des résultats calculés, nous avons décidé de fusionner
groupes / classes qui étaient liés. Par la présente, nous avons réduit le nombre de classes à trois et gagné davantage
nombre de sujets dans
nouveau groupe
composé de ces groupes précédents
nombre de personnes
W - personnes sans téléphone
groupe de contrôle
(ce groupe est resté le même)
17
T - personnes avec téléphone
personnes avec téléphone
+ groupe placebo
35
S - personnes avec téléphone blindé
personnes avec bouclier de Minnie Hein
+ personnes avec le bouclier de M. Mladženović
32
Tableau 2.2: Structure de trois nouvelles classes, issue des cinq classes précédentes.
deux classes. Le tableau 2.2 présente la structure des nouvelles classes et le nombre d'exemples dans chaque classe.
Page 6
6
Nous avons traité les données en trois groupes de la même manière qu'auparavant. Bien que les tests t de Student à l'intérieur
classe particulière n'a montré aucun changement significatif, il y avait quelques différences significatives, montrées par les tests t
entre 3 paires de cours. Des modifications importantes des paramètres 10, 1R-4, 3R-6 et CW indiquent que:
- les groupes S et W sont similaires, car il n'y a pas de différences significatives;
- le groupe T avait un BEM pire que W - indiqué par un changement significatif des paramètres 1R-4 et 3R-6
(et en partie par presque significatif 10 et CW);
- le groupe T avait un BEM pire que le groupe S - impliqué par un changement significatif des paramètres 1R-4 et
3R-6 (et partiellement presque 10 significatifs et CW).
3. Relation entre diagnostics énergétiques et images GDV
Nous avons enregistré des couronnes des dix doigts de 110 personnes pour lesquelles le guérisseur extrasense a fourni le
diagnostic énergétique. Nous avons utilisé l’apprentissage automatique pour interpréter les couronnes GDV afin de vérifier trois
hypothèse: (a) les images GDV contiennent des informations utiles sur le patient, (b) la carte des organes sur
les couronnes de 10 doigts ont un sens, et c) le guérisseur extrasense est capable de voir par lui-même (avec son
sens naturels) les désordres énergétiques dans le corps humain. Les résultats appuient les trois hypothèses.
3.1 Les mesures et la préparation des données
La première étape de la recherche a consisté à enregistrer les couronnes des dix doigts du patient. Paramètres
calculées à partir de coronas (images GDV), ont ensuite été utilisées comme attributs pour l’algorithme d’apprentissage automatique. nous
a enregistré 150 patients, mais en raison de problèmes techniques, seuls 110 cas ont été utiles. L'enregistrement a été fait
avec caméra Crown TV. C'est un appareil photo numérique connecté à un ordinateur. Il capture l'image corona directement
dans une image bitmap, ce qui est très approprié pour l'analyse d'image.
Nous avons calculé un ensemble de paramètres à partir de chaque image corona. Chaque instance de formation a reçu un
ensemble de 634 attributs (paramètres), ce qui est trop d'attributs pour seulement 110 cas. Evidemment ce grand ensemble
Il a fallu réduire le nombre d'attributs pour pouvoir obtenir un résultat positif de l'apprentissage automatique. À savoir
avec un total de 634 attributs et seulement 110 cas, il existe une forte probabilité que certains non pertinents
les attributs sembleront être très pertinents juste par hasard. La réduction d'attribut est expliquée plus tard dans cet article
pour chaque expérience séparément.
D'autre part, nous avions également besoin de la classe de classification pour chaque cas (patient). Ici nous avons engagé un
guérisseur extrasense. Nous avons enregistré ses observations sur des cassettes audio. Les observations ont été faites pour tous
organes de tout le corps. Le diagnostic pour un patient contient la description de l'état pour 65
organes / parties d'organes / glandes (petit cerveau, estomac, reins gauche et droit, glande thyroïde, etc.), 8 parties
du corps (bras, tête, cou, jambes, etc.), 8 fonctions physiques / psychiques (respiration, digestion,
etc.), et 17 diagnostics possibles en médecine classique (rhumatisme,
rhume, maux de tête, hématorroïdes, etc.). Pour chaque organe et chaque partie du corps, l'état peut être OK,
blocage énergétique, blocage énergétique fort, fonction incorrecte, aucune fonction ou endommagé. Cela donne 7
cours, ce qui est trop pour nos conditions d’apprentissage (634 attributs, 110 cas). Nous avons donc décidé
ne distinguer que 2 classes. La première classe est "pas de blocage" (OK) mais toutes les autres classes étaient
rejoint en deuxième classe, appelée «blocage».
Page 7
7
3.2 Apprentissage automatique des diagnostics
Nous avons effectué 5 expériences:
(A) La première expérience: 239 attributs, 110 cas
Nous avons utilisé tous les 110 cas. Nous avons dû en quelque sorte réduire le nombre d'attributs. Ici nous avons exclu un grand
sous-ensemble d'attributs qui représentent une partie du secteur du corona et qui semblent à première vue sans importance. 239
les attributs sont restés. Nous avons ensuite décidé de mener notre expérience dix fois sur 10 diagnostics (apprentissage
problèmes) qui étaient meilleurs en fonction de leur distribution par classe. Nous avons utilisé l'algorithme d'apprentissage C5.0 pour
construction arbres de décision, un descendant de C4.5 (Quinlan, 1993). Nous avons utilisé une validation croisée par 10 et
calculé la précision moyenne de dix arbres de décision. Les résultats ont montré une amélioration d'environ 10% de
précision par rapport au classifieur par défaut (qui classe toutes les instances dans la classe majoritaire) pour cinq
diagnostics: duodénum, ​​gorge, circulation sanguine, cou et colonne vertébrale.
(B) La deuxième expérience: 79 attributs, 110 cas
Ici, nous avons essayé de réduire le nombre d’attributs. Savoir (selon le bout des doigts corona
carte) que chaque diagnostic est directement lié à un secteur de la couronne du doigt, nous n’utilisons que les attributs
qui mesurent les surfaces des secteurs corona (79 attributs). Toutes les autres conditions expérimentales sont restées inchangées.
Le résultat était similaire à celui de la première expérience.
(C) La troisième expérience: 79 attributs, 71 cas
Ici, nous nous sommes concentrés sur la qualité des données. Nous avons exclu les patients avec des couronnes généralement faibles. Cette cas
manque général d’énergie, mais ne fournit pas assez d’informations sur des organes spécifiques (Korotkov,
1998). Seulement 71 cas sont restés utiles. Toutes les autres conditions de l'expérience restent inchangées par rapport à la
deuxième expérience. Le résultat a montré des améliorations plus importantes de la précision des expériences précédentes,
En particulier pour deux diagnostics: goût (amélioration de 20%) et duodénum (amélioration de 15%).
(D) Les quatrième et cinquième expériences: 2 à 10 atributes, 71 cas
Pour réduire en outre l'ensemble des attributs, nous avons utilisé uniquement les attributs pertinents pour certains diagnostics.
selon l'opinion du médecin. L'ensemble de paramètres a fortement diminué (de 2 à 5 attributs par
diagnostic dans la quatrième expérience et jusqu'à 10 attributs dans la cinquième expérience). D'autres conditions
resté inchangé. Les résultats n'ont montré aucune amélioration de la précision.
3.3 Estimation de la qualité des attributs
L’analyse des arbres générés dans la troisième expérience (qui a donné les meilleurs résultats) montre
match intéressant avec l'avis du médecin. À savoir, pour cette étape de l’étude, nous avons utilisé une carte de
relations entre diagnostics et attributs, qui a été fourni par un médecin indépendant. Également
un phénomène intéressant pourrait être remarqué. C'est-à- dire que les meilleurs résultats de classification ont été obtenus là où
la racine (le meilleur) attribut correspond à la sélection du médecin . Par exemple: les 10 arbres générés en 10 fois
validation croisée pour le diagnostic du duodénum, ​​avait un «attribut duodénum» dans la racine. Il y a moins de 2,6% des
chance que ce soit juste une coïncidence. Tous les 10 arbres générés pour le diagnostic du goût contiennent également de la lymphe
attribut 'dans la racine, ce qui est également pertinent selon l'opinion du médecin.
Page 8
8
Plus loin nous avons estimé la qualité des attributs. Nous avons utilisé l'estimation du rapport de gain (Quinlan, 1993). Tout
les paramètres d'estimation étaient les mêmes que dans la troisième expérience (71 cas, 79 attributs). Nous avons décidé
comparer les attributs proposés par le médecin avec les 10 meilleurs attributs estimés. Il y avait un
correspondance significative avec l'opinion du médecin dans 6 problèmes d'apprentissage sur 10. Voici quelques exemples. Un ensemble
diagnostic du duodénum des 10 meilleurs attributs estimés contient «attribut duodénum» en premier lieu et
«attribut lymphatique» à la troisième place. Les deux sont pertinents pour le duodénum selon l'opinion du médecin. Quand
paramètres d'estimation du goût, les 3 paramètres choisis par le médecin font partie des 10 meilleurs estimations
les attributs. La probabilité de coïncidence est ici inférieure à 6%. Le diagnostic 'coeur' avait 'attribut cardiaque' chez
la première place. La probabilité de coïncidence est inférieure à 5,1%. Le diagnostic 'poumons' diagnostiquer avait 'gorge'
attribuer comme mieux estimé. Peu de diagnostics de cerveau et de circulation sanguine avaient 2 attributs de docteur
selecton parmi les 10 meilleurs estimés.
Enfin, nous avons effectué l’estimation sur l’ensemble des 634 attributs. Les résultats ici confirmés
résultats des estimations précédentes. Nous décrivons quelques exemples. Estimation pour le diagnostic 'duodénum' a donné 2
attributs pertinents parmi les 10 meilleurs estimés. La probabilité de coïncidence est inférieure à 0,4%. Estimation pour
Le diagnostic de «goût» a également donné 2 attributs pertinents parmi les 10 meilleurs estimés. La probabilité de coïncidence est inférieure
que 0,6%. Le diagnostic "cardiaque" donnait "l'attribut cardiaque" le mieux estimé. La probabilité de coïncidence est inférieure à
0,7%. Enfin, les diagnostics «petit cerveau», «poumons» et «foie» présentaient un attribut pertinent parmi les 10 meilleurs
estimé.
3.4 Conclusions et travaux futurs
Les expériences d’apprentissage automatique montrent que nos paramètres numériques, calculés sur des images corona, ne sont pas
suffisant pour un diagnostic exact. Deux raisons fondamentales semblent être un enregistrement inexact des images corona et
trop peu d'instances de formation (patients). Malgré tout, il est également apparu que les images corona contenaient des informations utiles.
informations pour le diagnostic. À savoir, pour tous les diagnostics, nous avons réussi à augmenter la précision de la classification
pour au moins 10% selon le classificateur par défaut (qui classe toutes les instances dans la classe majoritaire).
L’estimation des attributs et l’analyse des arbres montrent que nous avons mieux réussi l’apprentissage automatique où la
ensemble d'attributs les plus informatifs correspond à la sélection d'attributs du médecin pour cet objet spécifique
diagnostic.
On peut en conclure que les images corona contiennent des informations utiles pour le diagnostic , mais il existe un
problème avec 'extraire' cette information. Tout le processus de capture des données est très sensible à la
bruit. Et après tout, il est très difficile de sélectionner un petit ensemble d’attributs informatifs parmi un grand
paramètres bruyants, surtout lorsque vous avez un si petit ensemble de formation.
4. Enregistrement de couronnes de baies de vigne
Le but de l’étude était de déterminer si la caméra Kirlian pouvait enregistrer des informations utiles en
enregistrement des couronnes de baies. Nous avons utilisé neuf types de vignes, deux reedvines pour chaque type (sain et
infectés par différents virus), obtenus à partir de plantes de la faculté de biotechnologie de Ljubljana. Nous avons enregistré 20
baies pour chaque reedvine. Nous avons utilisé seulement 14 attributs numériques de base (voir la section 3, la zone absolue de
la couronne a été exclue en raison de différentes tailles de baies de différentes sortes).
Nous avons utilisé deux algorithmes d’apprentissage automatique afin de distinguer différentes sortes de virus infectés et infectés.
reedvines non infectés à partir de la description numérique des coronas de leurs baies. Le naïf bayésien
Page 9
9
Le classifieur assume l’indépendance conditionnelle des attributs donnés à la classe et calcule pour chaque nouveau
par exemple la probabilité de chaque classe (Kononenko, 1993). Assistant-R construit des arbres de décision et utilise un
algorithme non-myope ReliefF pour l'estimation de la qualité des attributs (Kononenko et al., 1997). nous
mesuré l’exactitude de la classification et le score d’information (Kononenko et Bratko, 1991). Le dernier
mesure élimine l’influence des probabilités antérieures et traite de manière appropriée les réponses probabilistes de
le classificateur.
Nous avons essayé de résoudre divers problèmes:
a) en distinguant «Pinela» infecté de «Pinela» non infecté, 2 classes, 30 exemples dans chaque classe;
b) distinguer «Malvazija» sans symptômes et «Malvazija» présentant des symptômes de phytoplasme; 2
classes, 20 exemples dans chaque classe;
(c) en distinguant les neuf types de vignes, 40 exemples dans chaque classe;
d) Volovnik '+' Zweigeld '(non infecté par les virus GLRaV) et' Sladkocrn '+' Klarnica '(infecté par
Virus GLRaV); 2 classes, 80 exemples dans chaque classe;
e) en distinguant deux cultivars: 'Volovnik' et 'Zweigeld', 2 classes, 40 exemples dans chaque classe.
Pour chaque problème, nous avons réparti au hasard l'ensemble de tous les exemples dans 70% des cas pour la formation et 30% pour les tests. Ce
Ce processus a été répété 10 fois et les résultats moyens et les écarts types pour le traitement naïf bayésien
les classificateurs sont présentés dans le tableau 4.1. Les résultats pour Assistant-R sont similaires.
Tableau 4.1: Résultats du classifieur naïf bayésien dans différents problèmes de classification pour les données sur la vigne.
problème
pr. pr. (%) classe. précision (%) inf. score (bit)
neuf cultivars
11.1
35,7 ± 3,1
1,09 ± 0,07
'Volovnik': 'Zweigeld'
50
77,5 ± 9,2
0,45 ± 0,15
infecté: 'Pinela' non infecté
50
70,0 ± 11,1
0,30 ± 0,13
infecté: non infecté par GLRaV
50
71,0 ± 5,5
0,35 ± 0,06
Malvazija avec: sans phytoplasme
50
88,3 ± 8,0
0,73 ± 0,16
Dans tous les tests, la précision de la classification est nettement supérieure à la probabilité antérieure de
classification. Par exemple, dans le cas des neuf cultivars, la précision de la classification est de 35,7%. Puisque toutes
neuf classes ont la même taille, une probabilité a priori pour chaque classe est 1/9 = 11,1%, ce qui est plus de trois
fois inférieure à la précision de la classification. Pour cette raison, le score d'information est très élevé. le
La classification réussit très bien également dans les cas de classification des baies de raisin selon leur
état sanitaire. Dans ces cas, la probabilité a priori est de 50%, tandis que la précision de la classification
entre 70% et 88,3%, ce qui est effectivement inattendu.
5. Boire de l’eau de verre ordinaire et «énergique» K2000
Nous avons effectué une expérience avec de l'eau potable à partir de verre ordinaire et de verre dit "énergétique"
K2000, qui est en quelque sorte codé avec une information / énergie positive. K2000 a été inventé par Vili Poznik
de Celje, Slovénie. Il utilise la technologie (méthodologie) d'orgon afin de coder des informations dans du verre.
Page 10
dix
Nous avons enregistré chacun des 34 volontaires trois fois en trois jours: sans eau potable, 15 minutes après
boire de l'eau du verre ordinaire et 15 minutes après avoir bu de l'eau du verre énergétique K2000. le
les personnes ne savaient pas quel verre est ordinaire et lequel est énergique. Nous avons utilisé l'eau du robinet et l'eau était
laissé 15 minutes dans le verre avant qu'il ne soit consommé. Pour chaque personne, nous avons enregistré des couronnes des dix
le bout des doigts. Nous avons calculé 15 paramètres de base pour les couronnes de chaque doigt et nous avons fait la moyenne de leurs valeurs
sur les dix doigts. Nous avons utilisé les paramètres suivants:
1 .. Zone absolue de la couronne.
2 .. Bruit supprimé de l’image (dépend du premier réglage du programme).
3 .. coefficient de forme.
4 .. Dimension fractale.
5, 6 .. Coefficient de luminosité et déviation.
7 .. Nombre de fragments séparés dans l'image.
8, 9 .. Surface moyenne des fragments et sa déviation.
10 .. Surface relative de la couronne
11 .. Coefficient de lueur relatif à l'intérieur de l'ovale interne.
12-15 .. Coefficient relatif de lueur de l'image pour 25, 50, 75 et 100% de la surface (de toute la surface)
Nous avons calculé les valeurs moyennes et les écarts types pour chaque paramètre et pour chaque verre:
différence entre la valeur après boire de l'eau du verre donné moins la valeur avant de boire
l'eau (voir tableau 2). Les résultats indiquent que l’eau de K2000 augmente les coronas (paramètres 1, 8
et 10-15) et diminue la fragmentation (paramètre 7), tandis que celle du verre ordinaire légèrement
diminue les corones et, dans une moindre mesure que K2000, diminue la fragmentation.
Pour évaluer l'importance des différences entre les lunettes, nous avons utilisé le test t pair à une queue. nous
calculé les différences et st. écarts entre les valeurs de paramètres de deux verres. le
les différences ainsi que les valeurs t et les niveaux de signification sont données dans le tableau 5.1. À l'exception de
paramètre 7, les paramètres 1,8 et 10-15 montrent des différences significatives (niveau de signification supérieur à 0,99)
Tableau 5.1: Analyse statistique de l'eau potable de deux verres
paramètre moyen
différence
écart-type (s) t = r / s * sqrt (n)
importance
niveau
1
856,61
1199,00
4,17
> 0,99994
2
284,60
614,84
2,70
0,9931
3
15,02
42,27
2,07
> 0,9596
4
0,14
0,48
1,76
0,9216
5
0,61
4,36
0,82
0,5878
6
-0,67
4,34
-0,90
0,6319
7
-1,49
4,74
-1,83
0,9328
8
563,74
944,61
3,48
> 0,99933
9
13,08
44,94
1,70
0,9109
dix
0,21
0,35
3,45
> 0,99933
11
0,02
0,03
3,49
> 0,99933
12
0,08
0,14
3,46
> 0,99933
13
0,09
0,15
3,55
> 0,99953
14
0,07
0,14
3,11
> 0,99806
15
0,03
0,05
2,82
> 0,9949
Page 11
11
Pour l'analyse par apprentissage automatique, nous avons utilisé le système C4.5 pour créer des arbres de décision (Quinlan, 1993). nous
voulait distinguer le verre ordinaire du K2000. Nous avons eu 68 exemples et nous avons effectué deux
expériences: en utilisant les 15 attributs et en n'utilisant que les attributs 1,7,8 et 10. La classification moyenne
La précision, obtenue par la validation croisée par 10, était de 76,2% lorsque toutes les fonctions étaient disponibles et de 81,0%.
avec quatre attributs sélectionnés. Dans ce dernier cas, l’arbre de décision ne contenait que l’attribut
8 (surface moyenne des fragments).
6. Source d'énergie naturelle à Tunjice
Dans cette étude, nous voulions évaluer l’effet de la source d’énergie naturelle à Tunjice près de Kamnik,
La Slovénie sur le BEM humain. Les couronnes des dix doigts ont été enregistrées par 71 visiteurs de Natural
Jardin de guérison Tunjice. Chaque visiteur a été enregistré avant et après les 45 minutes de visite du Centre de guérison.
Jardin. En raison des erreurs et du bruit dans les enregistrements, nous avons utilisé pour l'analyse les couronnes de seulement 50 personnes.
Les couronnes de chaque doigt ont été décrites avec 15 attributs de base (voir section 3) et pour chaque personne
ils ont été moyennés sur les dix doigts.
Tableau 6.1: Analyse statistique des sources d’énergie naturelles à Tunjice
Différence de paramètre st. déviation
t
1
-1734,8
4058,6
3,02
7
0,47
2,13
-1,56
8
-1254,8
3867,1
2,29
dix
-0,299
1 172
1,80
CW
-0,628
9 605
2,86
%1
-0,0748
0,2762
1,91
%7
0,3110
0,2746
-8,01
% 8
-0,0234
0,3045
0,54
%dix
0,0578
0,2560
-1.59
%CW
-0,0774
0,2527
2,17
In this study we used only parameters 1,7,8,10, which in previous studies proved to be important, and we
defined some additional parameters: corona width (CW), and procentual counterparts for parameters
1,7,8,10 and CW. We calculated average difference of values and standard deviations for each parameter:
the difference between the value before visiting the Garden and after the visit. To evaluate the
significance of differences we used the paired one-tailed t-test. The average values and standard
deviations together with t-values are given in Table 6.1. Procentual counterpart of parameter i is indicated
by .%i . All values of t absolutely greater than 2.01 indicate the significant change at the significance level
alpha = 0.05.
The results show that the number of fragments (parameter 7) is significantly decreased and that coronas
are significantly thicker (parameter CW). Areas of coronas are almost significant (parameter 1).
Page 12
12
7. Conclusions and further work
The studies described in this paper, as well as other studies performed in the past, show that the GDV
records, described with a set of parameters, contain useful information and they are not only noise.
Results of the study with mobile telephones reveal that:
- cellular phones influence the human BEM in a way that coronas become reduced, more
fragmented and incomplete;
- the group of people with telephone and the placebo group are similar, therefore the placebo shield
has no effect;
- the control group is similar to the group with the shield of Minnie Hein, indicating that the shield
works well – it neglects the effect of the mobile telephones;
- the shield of Milan Mladženović also has not only a protective influence on the human BEM, but
also a stimulating and strengthening effect.
Although the results from statistical analysis indicate correctness of these conclusions, the majority of
results is not significant. A probable reason for that is the insufficient quantity of data. However, results
that are statistically significant support conclusions described above. Because of too large deviations,
presumably caused by insufficient number of people in five groups it might be sensible to repeat this
study on greater population.
Our results in the study with extrasense healer do support all tree hypoteses:
(a) The corona contains useful information for diagnosis,
(b) the map of organs on the fingers' coronas makes sense,
(c) the extrasense therapist does see the energetic state of the patient and is able to diagnose patient with
this information.
To obtain a more reliable confirmation of the three hypotheses, however, a much wider study is
necessary, which is currently not possible with our modest resources.
The classification accuracy on different problems with grapevine data is significantly higher than if the
classifier would be random. This means that coronas of grapevine berries contain useful information
about cultivar and about their sanitary status. We used only parameters that were independent of the size
of grape berries. However, there is a possibility to introduce new parameters that may contain additional
useful information. We plan to verify this hypothesis and further improve the methodology in order to
make it useful for classification of grape cultivars and their diseases.
The results of the study with water show significant positive efect of drinking water from energetic glass
K2000. Although, till now, there is no physical explanation for coding the information into glass, the
effects are obviously measurable. In order to make the study more reliable, we plan to perform also a
double-blind experiment with slightly modified scenario so that persons will be recorded several times:
immediately before drinking and 15 and 30 minutes after drinking the water.
The result of the study in Tunjice indicates that the visit of the Natural Healing Garden positively
influences the human BEM. Coronas are larger and less fragmented. In order to obtain more reliable
conclusions we plan to record coronas of a control group of people, that shall visit another place (for
example a walk in a forest) in the same manner as they visited the Healing Garden. The comparison
should show whether the Healing Garden has greater influence than ordinary gardens.
Page 13
13
We plan to continue studies, described in this paper, and we plan to investigate also some other
phenomena:
Water drops : We are trying to distinguish different kinds of water: ordinary tap water, water from
various springs, water charged by a healer and water charged with various vibrations. Préliminaire
experiments show that it is very difficult to reliably measure the corrona's of water drops.
Energetic Influence' on human BEM : We plan to measure the effect of glass bowls (coded with a
certain information by Vili Poznik in a similar manner as 'energetic' glasses K2000), the effect of
'energetic' symbols and 'energetic' chairs etc.
Remerciements
We thank Milan Mladženović and Minnie Hein for providing their energetic protections and Aleksander
Sadikov and Tatjana Zrimec for their help and support. We thank Slobodan Stanojević for his energetic
diagnoses and his willingness to share with us his knowledge. Bor Prihavec prepared a program for
extracting GDV pictures from video signal and helped with recording. Medical doctor Petar Papuga
helped in interpreting the medical aspects of this study. We thank also Marko Robnik-Šikonja for his help
in processing the data. We thank Irma Tomažič from Biotehnical Faculty for providing the grapevine
berries and Daniel Skočaj for performing experiments with berries. Marko Špička and Matej Hlastec
performed experiments with drinking water from glasses and Janez Lavrič, Gorazd Konc and Damijan
Koščak analysed the data of experiments with natural energy source in Tunjice. We are grateful to Vili
Poznik and Jože Vetrovec for enabling the study with energetic glasses and Drago Vrhovnik for enabling
the study in Tunjice.
Références
I.Kononenko, Inductive and Bayesian learning in medical diagnosis, Applied Artificial Intelligence ,
7:317-337, 1993.
I.Kononenko and I.Bratko, Information based evaluation criterion for classifier's performance, Machine
Learning , 6:67-80, 1991.
I.Kononenko, E.Šimec, M.Robnik, Overcoming the myopia of inductive learning algorithms , Applied
Intelligence , 7:39-55, 1997.
I.Kononenko, T.Zrimec, B.Prihavec, M.Bevk, S.Stanojević, Machine learning and GDV images:
Diagnosis and therapy verification, Proc. Biology and Cognitive Science , Ljubljana, October 1999a,
pp. 84-87.
I.Kononenko, T.Zrimec, A.Sadikov, K.Mele, T.Milharčič, Machine learning and GDV images: Current
research and results , Proc. Biology and Cognitive Science , Ljubljana, October 1999b, pp. 80-83.
K.Korotkov, Aura and Consciousness: A New Stage of Scientific Understanding , St.Petersburg, Russia:
State Editing & Publishing Unit ``Kultura'', 1998.
P.Mandel, Energy Emission Analysis. Synthesis Publ. Comp, 1986.
Page 14
14
T.Mitchell, Machine Learning , McGraw Hill, 1997.
JR Quinlan, C4.5 programs for machine learning , Morgan Kaufmann, 1993.
A.Trampuž, I.Kononenko, V.Rus, Experiental and biophysical effects of the art of living programme on
its participants, Proc. Biology and Cognitive Science , Ljubljana, October 1999, pp. 94-97.