論文の概要: Predicting Blood Type: Assessing Model Performance with ROC Analysis
- arxiv url: http://arxiv.org/abs/2506.02062v1
- Date: Sun, 01 Jun 2025 17:04:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:34.889525
- Title: Predicting Blood Type: Assessing Model Performance with ROC Analysis
- Title（参考訳）: 血液型予測:ROC解析によるモデル性能の評価
- Authors: Malik A. Altayar, Muhyeeddin Alqaraleh, Mowafaq Salem Alzboon, Wesam T. Almagharbeh,
- Abstract要約: この研究は200人の個人を分析し、指紋をループ、輪郭、アーチの3つのタイプに分類しました。
統計学的には指紋パターンと血液型との間に有意な相関は認められなかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Introduction: Personal identification is a critical aspect of forensic sciences, security, and healthcare. While conventional biometrics systems such as DNA profiling and iris scanning offer high accuracy, they are time-consuming and costly. Objectives: This study investigates the relationship between fingerprint patterns and ABO blood group classification to explore potential correlations between these two traits. Methods: The study analyzed 200 individuals, categorizing their fingerprints into three types: loops, whorls, and arches. Blood group classification was also recorded. Statistical analysis, including chi-square and Pearson correlation tests, was used to assess associations between fingerprint patterns and blood groups. Results: Loops were the most common fingerprint pattern, while blood group O+ was the most prevalent among the participants. Statistical analysis revealed no significant correlation between fingerprint patterns and blood groups (p > 0.05), suggesting that these traits are independent. Conclusions: Although the study showed limited correlation between fingerprint patterns and ABO blood groups, it highlights the importance of future research using larger and more diverse populations, incorporating machine learning approaches, and integrating multiple biometric signals. This study contributes to forensic science by emphasizing the need for rigorous protocols and comprehensive investigations in personal identification.
- Abstract（参考訳）: 導入: 個人識別は法医学、セキュリティ、医療において重要な側面である。
DNAプロファイリングや虹彩スキャンのような従来の生体認証システムは精度が高いが、時間と費用がかかる。
目的: 本研究は, 指紋パターンとABO血液群分類の関係について検討し, これら2つの特徴間の潜在的な相関について検討した。
方法:研究は200人の個人を分析し、指紋をループ、輪郭、アーチの3つのタイプに分類した。
血液型も記録された。
指紋パターンと血液群の関連性を評価するために,チ二乗およびピアソン相関試験を含む統計的分析が用いられた。
結果: 血液型O+は最も一般的な指紋パターンであり, 血液型O+は最も多い。
統計学的には指紋パターンと血液型の間に有意な相関は認められなかった(p > 0.05)。
結論:本研究では,指紋パターンとABO血液群の相関関係が限定されているが,より多種多様な集団を用いた将来の研究の重要性を強調し,機械学習のアプローチを取り入れ,複数の生体信号を統合する。
本研究は,厳格なプロトコルの必要性と個人識別における包括的調査を強調することによって,法医学に寄与する。
関連論文リスト
- Revolutionizing Blood Banks: AI-Driven Fingerprint-Blood Group Correlation for Enhanced Safety [0.0]
本研究は,生体認証ツールとしての指紋パターンとABO血液群との関係に焦点を当てた。
研究によると、ループは最も一般的な指紋パターンであり、O+血液型が最も多い。
論文 参考訳（メタデータ） (2025-06-01T16:18:24Z) - From Images to Detection: Machine Learning for Blood Pattern Classification [2.4719114894437717]
血痕パターン分析(BPA)は、血痕の大きさ、形状、分布に焦点をあてて、血痕がどのように形成されるかを理解するのに役立つ。
BPAの課題の1つは、銃や衝撃、その他のメカニズムなど、さまざまな種類の血痕を区別することである。
本研究は, 銃創血痕パターンと飛散血痕パターンの鑑別に焦点をあてる。
論文 参考訳（メタデータ） (2025-01-04T00:54:32Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Enhancing Bloodstain Analysis Through AI-Based Segmentation: Leveraging
Segment Anything Model for Crime Scene Investigation [1.7869154038039061]
本稿では,血痕画像のセグメンテーションに対するSAM(Pre-trained and fine-tuned Segment Anything Model)の適用について検討する。
実験結果から, 予め訓練したSAMと微調整したSAMの両方が, 良好な精度と効率で血痕画像分割作業を行うことが明らかとなった。
本研究は、SAMの血液染色画像セグメンテーションへの応用の可能性を示し、犯罪学研究における人工知能応用の有効性を示す。
論文 参考訳（メタデータ） (2023-08-27T01:11:03Z) - Pain level and pain-related behaviour classification using GRU-based
sparsely-connected RNNs [61.080598804629375]
慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。
この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。
我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。
本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
論文 参考訳（メタデータ） (2022-12-20T12:56:28Z) - Statistical and Computational Phase Transitions in Group Testing [73.55361918807883]
本研究の目的は、希少な疾患を患っているk人の集団を同定することである。
個々人のテストを割り当てるための2つの異なる単純なランダムな手順を考える。
論文 参考訳（メタデータ） (2022-06-15T16:38:50Z) - Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。
実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2021-01-22T19:49:47Z) - Group Testing with a Graph Infection Spread Model [61.48558770435175]
感染は個人間のつながりを通じて広がり、その結果、確率的クラスター形成構造と、個人に対する非i.d.感染状態が生じる。
そこで本研究では,既知の確率的感染拡散モデルを利用する2段階のサンプルグループテストアルゴリズムを提案する。
その結果, 感染率が高い場合でも, 集団検査により必要な検査数を大幅に削減できることが示唆された。
論文 参考訳（メタデータ） (2021-01-14T18:51:32Z) - Risk of Training Diagnostic Algorithms on Data with Demographic Bias [0.5599792629509227]
医用画像解析アプリケーションにおけるMICCAI 2018の実践を調査するために,MICCAI 2018の手順を調査した。
意外なことに、診断に焦点を当てた論文では、使用されるデータセットの人口統計がほとんど書かれていないことが判明した。
本研究では,非偏りのある特徴を,対向的な学習環境において,人口統計変数を明示的に使用することにより学習可能であることを示す。
論文 参考訳（メタデータ） (2020-05-20T13:51:01Z) - JigSaw: A tool for discovering explanatory high-order interactions from
random forests [0.0]
JigSawは、森林の予測を説明するパターンの発見を支援するために開発された。
心臓病に関する臨床測定のパターンを特定するために最初に使用された。
その後、血液中の代謝物を用いて乳がんに関連するパターンを見つけるために使用された。
論文 参考訳（メタデータ） (2020-05-09T01:53:45Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳（メタデータ） (2020-02-06T17:25:37Z)
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。