論文の概要: A Machine Learning model of the combination of normalized SD1 and SD2 indexes from 24h-Heart Rate Variability as a predictor of myocardial infarction

• arxiv url: http://arxiv.org/abs/2102.09410v1
• Date: Thu, 18 Feb 2021 14:57:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-19 14:12:06.956414
• Title: A Machine Learning model of the combination of normalized SD1 and SD2 indexes from 24h-Heart Rate Variability as a predictor of myocardial infarction
• Title（参考訳）: 心筋梗塞の予測因子としての24時間心拍変動の正規化sd1とsd2指標の組み合わせの機械学習モデル
• Authors: Antonio Carlos Silva-Filho, Sara Raquel Dutra-Macedo, Adeilson Serra Mendes Vieira and Cristiano Mostarda
• Abstract要約: 最も一般的なMLアルゴリズムを10倍のクロスバリデーションの設定と比較した。 本研究の主な知見は, SD1nu + SD2nuの組み合わせは, 他のHRV指標と比較してMIの予測能力が高いことである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Aim: to evaluate the ability of the nonlinear 24-HRV as a predictor of MI using Machine Learning Methods: The sample was composed of 218 patients divided into two groups (Healthy, n=128; MI n=90). The sample dataset is part of the Telemetric and Holter Electrocardiogram Warehouse (THEW) database, from the University of Rochester Medical Center. We used the most common ML algorithms for accuracy comparison with a setting of 10-fold cross-validation (briefly, Linear Regression, Linear Discriminant Analysis, k-Nearest Neighbour, Random Forest, Supporting Vector Machine, Na\"ive Bayes, C 5.0 and Stochastic Gradient Boosting). Results: The main findings of this study show that the combination of SD1nu + SD2nu has greater predictive power for MI in comparison to other HRV indexes. Conclusion: The ML model using nonlinear HRV indexes showed to be more effective than the linear domain, evidenced through the application of ML, represented by a good precision of the Stochastic Gradient Boosting model. Keywords: heart rate variability, machine learning, nonlinear domain, cardiovascular disease
• Abstract（参考訳）: 目標:マシンラーニング法を用いたMIの予測器としての非線形24HRVの能力を評価する:サンプルは218の患者を2つのグループ(Healthy, n=128; MI n=90)に分けた。 サンプルデータセットはロチェスター大学医療センターのテレメトリック・ホルター心電図倉庫(telemetric and holter electrocardiogram warehouse, thew)データベースの一部である。 最も一般的なMLアルゴリズムを10倍のクロスバリデーション(ブライフ、線形回帰、線形判別分析、k-Nearest Neighbour、ランダムフォレスト、サポートベクターマシン、Na\"ive Bayes、C 5.0、Stochastic Gradient Boosting)の設定と比較した。 結果: SD1nu + SD2nuの組合せは, 他のHRV指標と比較して, MIの予測能力が高いことが明らかとなった。 結論: 非線形HRV指標を用いたMLモデルは, 確率勾配ブースティングモデルの精度良く表現されたMLの適用により, 線形領域よりも有効であることが証明された。 キーワード:心拍変動、機械学習、非線形ドメイン、心血管疾患

関連論文リスト

• Improving Machine Learning Based Sepsis Diagnosis Using Heart Rate Variability [0.0]
  本研究の目的は、心拍変動(HRV)機能を用いて、敗血症検出のための効果的な予測モデルを開発することである。 ニューラルネットワークモデルは、HRVの特徴に基づいてトレーニングされ、F1スコアは0.805、精度は0.851、リコールは0.763である。
  論文  参考訳（メタデータ） (2024-08-01T01:47:29Z)
• A Compact LSTM-SVM Fusion Model for Long-Duration Cardiovascular Diseases Detection [0.0]
  世界的には、心臓血管疾患(CVD)が主な死因であり、毎年1790万人が死亡している。 重要な臨床目的の1つは、心電図(ECG)データによるCVDの早期検出である。 機械学習とディープラーニングに基づく最近の進歩は、この分野において大きな進歩を遂げている。
  論文  参考訳（メタデータ） (2023-11-20T10:57:11Z)
• Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
  我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。 シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T19:16:56Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Identifying Ventricular Arrhythmias and Their Predictors by Applying Machine Learning Methods to Electronic Health Records in Patients With Hypertrophic Cardiomyopathy(HCM-VAr-Risk Model) [0.3811495093928132]
  心室性不整脈(VAr)を有する肥大型心筋症患者を臨床的属性を用いて同定するための機械学習の最初の応用である。 臨床的変数は93例, VArは22例であった。 提案手法では,確立した10個のSCD予測器に加えて,12個の新しいVAr予測器を同定した。
  論文  参考訳（メタデータ） (2021-09-19T20:11:07Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• A proof of concept study for machine learning application to stenosis detection [0.0]
  haemodynamicsの1次元パルス波伝播モデルを用いて仮想患者データベース(vpd)を作成する。 4つの異なる機械学習(ML)メソッドを使用して、一連の分類器を訓練およびテストします。
  論文  参考訳（メタデータ） (2021-02-11T19:39:33Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images [0.0]
  MPR画像における狭窄の重症度を同定する自動モデルを開発した。 このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。 狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
  論文  参考訳（メタデータ） (2020-01-23T15:20:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。