دانلود مقاله انگلیسی رایگان:پیش بینی مرگ و میر بر اساسداده های بزرگ ICU عدم تعادل بعد بالا - 2018

بلافاصله پس از پرداخت دانلود کنید

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
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

پیوندهای کاربردی
پیوندهای مرتبط
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • Mortality prediction based on imbalanced high-dimensional ICU big data Mortality prediction based on imbalanced high-dimensional ICU big data
    Mortality prediction based on imbalanced high-dimensional ICU big data

    سال انتشار:

    2018


    عنوان انگلیسی مقاله:

    Mortality prediction based on imbalanced high-dimensional ICU big data


    ترجمه فارسی عنوان مقاله:

    پیش بینی مرگ و میر بر اساسداده های بزرگ ICU عدم تعادل بعد بالا


    منبع:

    Sciencedirect - Elsevier - Computers in Industry, 98 (2018) 218-225: doi:10:1016/j:compind:2018:01:017


    نویسنده:

    Jiankang Liua,b, Xian Xiang Chena, Lipeng Fanga,b, Jun Xia Lic, Ting Yangd, Qingyuan Zhand,***, Kai Tongb,**, Zhen Fanga,e,*


    چکیده انگلیسی:

    With the development of biomedical equipment and healthcare level, large amounts of data have been brought out in hospital, especially in Intensive Care Unit (ICU). However, how to better exploit meaningful information from these rich data still remains a challenge. This paper focuses on ICU mortality prediction, which is a typical example of second use of ICU big data. Patient ICU mortality prediction faces challenges in many aspects, such as high dimensionality, imbalance distribution and time asynchronization etc. To solve these challenges, a series of analytical methods and tools, including variables selection, preprocessing, feature extraction & feature selection and predictive modeling, have been utilized and developed. High-dimensional and unbalanced natures of the ICU data badly affect the performance of classifiers. We modified the cost-sensitive principal component analysis (CSPCA), which is denoted by MCSPCA, to handle these problems in feature extraction stage. As for parameter optimization, a variant of standard particle swarm optimization called chaos particle swarm optimization (CPSO) was adopted for its capacity of finding optimal solution. In order to obtain the best prediction model, different algorithms were investigated and their AUC performances were evaluated in a large real world benchmark data. The final results show that our proposed method improved the performance of the traditional machine learning methods, in which the support vector machine (SVM) reach best AUC performance of 0.7718. This study gives a paradigm to handle similar problems in big health data and helps promote healthcare services.
    Keywords: Health data processing ، Analytical tools ، Modified cost-sensitive principal ، component analysis ، Support vector machine ، Chaos particle swarm optimization


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 8
    حجم فایل: 828 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




آرشیو کامل مقالات

اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

این مقاله را در فیس بوک به اشتراک بگذارید این مقاله را در توییتر به اشتراک بگذارید این مقاله را در لینکداین به اشتراک بگذارید این مقاله را در گوگل پلاس به اشتراک بگذارید این مقاله را در زینگ به اشتراک بگذارید این مقاله را در تلگرام به اشتراک بگذارید

تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-های-بزرگ
موضوعات
footer