دانلود مقاله انگلیسی:ViSiBiD: مدل های یادگیری برای کشف زودرس و پیش بینی زمان واقعی از حوادث بالینی شدید با استفاده از علائم حیاتی به عنوان داده های بزرگ
دانلود بهترین مقالات isi همراه با ترجمه فارسی

کارابرن عزیز، مقالات سایت ( همگی جزو مقالات isi می باشند) بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (حتی محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi مانند IEEE، Sciencedirect، Springer، Emerald و ... انتخاب گردیده اند.

ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیشنهادات ویژه
پکیج ویژه مقالات محاسبات ابری
پکیج ویژه مقالات زنجیره تامین
پیوندهای کاربردی
پیوندهای مرتبط
مقالات انگلیسی داده های بزرگ
  • ViSiBiD: A learning model for early discovery and real-time prediction of severe clinical events using vital signs as big data

    ViSiBiD: A learning model for early discovery and real-time prediction of severe clinical events using vital signs as big data

    سال انتشار:

    2017


    عنوان انگلیسی مقاله:

    ViSiBiD: A learning model for early discovery and real-time prediction of severe clinical events using vital signs as big data


    ترجمه فارسی عنوان مقاله:

    ViSiBiD: مدل های یادگیری برای کشف زودرس و پیش بینی زمان واقعی از حوادث بالینی شدید با استفاده از علائم حیاتی به عنوان داده های بزرگ


    منبع:

    Sciencedirect - Elsevier - Computer Networks, 113 (2017) 244-257. doi:10.1016/j.comnet.2016.12.019


    نویسنده:

    Abdur Rahim Mohammad Forkan, Ibrahim Khalil a,b, Mohamme Atiquzzaman


    چکیده انگلیسی:

    The advance in wearable and wireless sensors technology have made it possible to monitor multiple vital signs (e.g. heart rate, blood pressure) of a patient anytime, anywhere. Vital signs are an essential part of daily monitoring and disease prevention. When multiple vital sign data from many patients are accumulated for a long period they evolve into big data. The objective of this study is to build a prognostic model, ViSiBiD, that can accurately identify dangerous clinical events of a home-monitoring patient in advance using knowledge learned from the patterns of multiple vital signs from a large number of similar patients. We developed an innovative technique that amalgamates existing data mining methods with smartly extracted features from vital sign correlations, and demonstrated its effectiveness on cloud platforms through comparative evaluations that showed its potential to become a new tool for predictive healthcare. Four clinical events are identified from 4893 patient records in publicly available databases where six bio-signals deviate from normality and different features are extracted prior to 1–2 h from 10 to 30 min observed data of those events. Known data mining algorithms along with some MapReduce implementations have been used for learning on a cloud platform. The best accuracy (95.85%) was obtained through a Random Forest classifier using all features. The encouraging learning performance using hybrid feature space proves the existence of discriminatory patterns in vital sign big data can identify severe clinical danger well ahead of time.
    Keywords: Big data | Vital sign | Cloud computing | Correlations | Knowledge discovery | Data mining


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 14
    حجم فایل: 1899 کیلوبایت

    قیمت: 1000 تومان


    توضیحات اضافی:


     سفارش ترجمه مقاله


آرشیو کامل مقالات

تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-های-بزرگ
موضوعات
footer