Fugu-MT 論文翻訳(概要): Prediction of COVID-19 by Its Variants using Multivariate Data-driven Deep Learning Models

論文の概要: Prediction of COVID-19 by Its Variants using Multivariate Data-driven Deep Learning Models

arxiv url: http://arxiv.org/abs/2301.10616v1
Date: Wed, 25 Jan 2023 14:52:34 GMT
ステータス: 処理完了
システム内更新日: 2023-01-26 15:01:49.122866
Title: Prediction of COVID-19 by Its Variants using Multivariate Data-driven Deep Learning Models
Title（参考訳）: 多変量データ駆動型ディープラーニングモデルを用いた変異型によるcovid-19の予測
Authors: Akhmad Dimitri Baihaqi, Novanto Yudistira, Edy Santoso
Abstract要約: 2019年12月に中国武漢で最初の症例が発見されて以来、新型コロナウイルス(COVID-19)のパンデミックが世界中のほぼ全域で発生している。世界中の新型コロナウイルス感染者の増加に伴い、SARS-CoV-2は様々な変種に変化している。多くの研究が、Deep Learning(LSTM)という方法を使って進行中のパンデミックを克服するケーススタディとして、COVID-19を提起している。
参考スコア（独自算出の注目度）: 2.191505742658975
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: The Coronavirus Disease 2019 or the COVID-19 pandemic has swept almost all parts of the world since the first case was found in Wuhan, China, in December 2019. With the increasing number of COVID-19 cases in the world, SARS-CoV-2 has mutated into various variants. Given the increasingly dangerous conditions of the pandemic, it is crucial to know when the pandemic will stop by predicting confirmed cases of COVID-19. Therefore, many studies have raised COVID-19 as a case study to overcome the ongoing pandemic using the Deep Learning method, namely LSTM, with reasonably accurate results and small error values. LSTM training is used to predict confirmed cases of COVID-19 based on variants that have been identified using ECDC's COVID-19 dataset containing confirmed cases of COVID-19 that have been identified from 30 countries in Europe. Tests were conducted using the LSTM and BiLSTM models with the addition of RNN as comparisons on hidden size and layer size. The obtained result showed that in testing hidden sizes 25, 50, 75 to 100, the RNN model provided better results, with the minimum MSE value of 0.01 and the RMSE value of 0.012 for B.1.427/B.1.429 variant with hidden size 100. In further testing of layer sizes 2, 3, 4, and 5, the result shows that the BiLSTM model provided better results, with minimum MSE value of 0.01 and the RMSE of 0.01 for the B.1.427/B.1.429 variant with hidden size 100 and layer size 2.
Abstract（参考訳）: 2019年12月に中国武漢で最初の症例が発見されて以来、新型コロナウイルス(COVID-19)のパンデミックが世界中のほぼ全域で発生している。世界中の新型コロナウイルス感染者の増加に伴い、SARS-CoV-2は様々な変種に変化している。新型コロナウイルスの感染拡大が懸念されていることから、新型コロナウイルスの感染がいつ止まるかを知ることが重要である。そのため、多くの研究は、Deep Learning法、すなわちLSTMを用いて進行中のパンデミックを克服するケーススタディとして、合理的に正確な結果と小さなエラー値を持つCOVID-19を提起している。 LSTMトレーニングは、欧州30カ国で確認された新型コロナウイルスの症例を含むCDCのCOVID-19データセットを用いて特定された変異に基づいて、新型コロナウイルスの確認症例を予測するために使用される。実験はlstmモデルとbilstmモデルを用いて実施し,隠れたサイズと層サイズの比較としてrnnを付加した。その結果, 隠れサイズ25, 50, 75〜100の試験において, RNNモデルは最小MSE値0.01, RMSE値0.012, 隠れサイズ100のB.1.427/B.1.429が得られた。さらに層径2,3,4,5を試験した結果,b.1.427/b.1.429型と層径2の最小mse値0.01,rmse 0.01のbilstmモデルの方が良好な結果を得た。

関連論文リスト

Deep Transformer Model with Pre-Layer Normalization for COVID-19 Growth Prediction [2.191505742658975]
新型コロナウイルスはSARS-CoV-2ウイルスによって引き起こされる感染症である。 COVID-19患者の増加は、Deep Neural Network(DNN)など、いくつかのアプローチで予測できる。
論文参考訳（メタデータ） (2022-07-10T03:48:45Z)
The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
論文参考訳（メタデータ） (2021-09-18T02:28:01Z)
Temporal Deep Learning Architecture for Prediction of COVID-19 Cases in India [1.7969777786551424]
最近、新型コロナウイルスの拡散のダイナミックな傾向を理解するために、新しい機械学習アプローチが使用されている。我々は、バニラLSTM、積み重ねLSTM、ED-LSTM、Bi-LSTM、CNN、ハイブリッドCNN+LSTMモデルという、繰り返しおよび畳み込みニューラルネットワークモデルを設計した。その結果,積み重ね型LSTMとハイブリッド型CNN+LSTMは,他のモデルと比較して高い性能を示した。
論文参考訳（メタデータ） (2021-08-31T13:28:51Z)
UncertaintyFuseNet: Robust Uncertainty-aware Hierarchical Feature Fusion with Ensemble Monte Carlo Dropout for COVID-19 Detection [36.89349238954984]
新型コロナウイルス(コロナウイルス)は1億5100万人以上に感染し、現在まで世界中で約317万人が死亡している。我々は,不確実性モジュールであるEnsemble Monte Carlo (EMC)ドロップアウトからなる,$UncertaintyFuseNet$という新しい強力な融合モデルを提案する。以上の結果から,CTスキャンとX線データを用いたCOVID-19検出のための核融合の有用性が示唆された。
論文参考訳（メタデータ） (2021-05-18T15:20:34Z)
COVID-19 Cough Classification using Machine Learning and Global Smartphone Recordings [6.441511459132334]
本稿では、スマートフォン上で記録された新型コロナウイルス陰性および健康性の両方から、新型コロナウイルス陽性を識別できる機械学習ベースのコークス分類器を提案する。この種のスクリーニングは非接触で容易に適用でき、テストセンターでの負荷軽減や送信制限に役立つ。
論文参考訳（メタデータ） (2020-12-02T13:35:42Z)
FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。 FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。 FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文参考訳（メタデータ） (2020-10-30T03:17:31Z)
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)
Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文参考訳（メタデータ） (2020-06-05T02:04:25Z)
JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文参考訳（メタデータ） (2020-04-15T12:30:40Z)
Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。