論文の概要: Forecasting Pressure Of Ventilator Using A Hybrid Deep Learning Model
Built With Bi-LSTM and Bi-GRU To Simulate Ventilation
- arxiv url: http://arxiv.org/abs/2302.09691v1
- Date: Sun, 19 Feb 2023 23:12:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 17:04:19.425659
- Title: Forecasting Pressure Of Ventilator Using A Hybrid Deep Learning Model
Built With Bi-LSTM and Bi-GRU To Simulate Ventilation
- Title（参考訳）: Bi-LSTMとBi-GRUを用いたハイブリッドディープラーニングモデルによる人工呼吸器の予測圧力
- Authors: Md. Jafril Alam, Jakaria Rabbi, Shamim Ahamed
- Abstract要約: 患者に対して必要換気圧を予測するためのハイブリッド深層学習アプローチを提案する。
このシステムはBi-LSTMとBi-GRUネットワークで構成されている。
モデルはテストデータに対して良好に動作し、非常に少ない損失を生み出しました。
- 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: A ventilator simulation system can make mechanical ventilation easier and
more effective. As a result, predicting a patient's ventilator pressure is
essential when designing a simulation ventilator. We suggested a hybrid deep
learning-based approach to forecast required ventilator pressure for patients.
This system is made up of Bi-LSTM and Bi-GRU networks. The SELU activation
function was used in our proposed model. MAE and MSE were used to examine the
accuracy of the proposed model so that our proposed methodology can be applied
to real-world problems. The model performed well against test data and created
far too few losses. Major parts of our research were data collection, data
analysis, data cleaning, building hybrid Bi-LSTM and Bi-GRU model, training the
model, model evaluation, and result analysis. We compared the results of our
research with some contemporary works, and our proposed model performed better
than those models.
- Abstract（参考訳）: 人工呼吸器シミュレーションシステムは、機械的換気をより簡単かつ効果的にすることができる。
その結果,人工呼吸器の設計には患者の人工呼吸器圧の予測が不可欠となる。
患者に対して必要換気圧を予測するためのハイブリッド深層学習アプローチを提案する。
このシステムはBi-LSTMとBi-GRUネットワークで構成されている。
提案モデルではSELU活性化関数を用いた。
提案手法を実世界の問題に適用できるように,MAE と MSE を用いて提案モデルの精度を検討した。
モデルはテストデータに対して良好に動作し、非常に少ない損失を生み出しました。
本研究では,データ収集,データ解析,データクリーニング,ハイブリッドBi-LSTMとBi-GRUモデルの構築,モデルのトレーニング,モデル評価,結果分析を行った。
本研究の結果を現代的作品と比較し,提案モデルの有用性について検討した。
関連論文リスト
- Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。
推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。
我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文 参考訳（メタデータ） (2024-11-02T07:06:53Z) - A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳（メタデータ） (2023-03-03T21:41:01Z) - Reconstruction and analysis of negatively buoyant jets with
interpretable machine learning [0.0]
脱塩などのプロセスから排水が排出される際には、負に傾斜した浮力ジェットが観測される。
有害な影響を最小限に抑え、環境への影響を評価するためには、詳細な数値調査が必要である。
機械学習モデルの応用が提案されている。
論文 参考訳（メタデータ） (2022-11-10T11:14:45Z) - Semi-analytical Industrial Cooling System Model for Reinforcement
Learning [4.272330410469061]
多物理シミュレーションに解析解を埋め込んだハイブリッド産業用冷却システムモデルを提案する。
モデルの忠実度は,大規模冷却システムによる実世界のデータに対して評価される。
論文 参考訳（メタデータ） (2022-07-26T18:19:17Z) - KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework
for Aerial Robots [5.897728689802829]
我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。
得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。
閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
論文 参考訳（メタデータ） (2021-09-10T12:09:18Z) - 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) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - A Model-Based Approach to Synthetic Data Set Generation for
Patient-Ventilator Waveforms for Machine Learning and Educational Use [0.0]
機械学習と教育利用のための合成データセットを生成するモデルベースのアプローチを提案する。
文献中の測定結果から得られた9種類の患者原型を用いて合成データセットを生成した。
論文 参考訳（メタデータ） (2021-03-29T15:10:17Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z) - Comparative Analysis of Single and Hybrid Neuro-Fuzzy-Based Models for
an Industrial Heating Ventilation and Air Conditioning Control System [0.0]
本研究では,適応型ニューロファジィ推論系-粒子群最適化(ANFIS-PSO)と適応型ニューロファジィ推論系-GA(ANFIS-GA)のハイブリッドモデルを提案する。
RMSEが0.0065、MAEが0.0028、R2が0.9999であるANFIS-PSOモデルは、ANFIS-GAと単一のANFISモデルより優れている。
論文 参考訳（メタデータ） (2020-02-22T22:32:34Z)
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。