XiaoMi-AI文件搜索系统
World File Search SystemKnn
k-nearest-neymen-nighbor学习基于糖果 - 糖 -
如今，EHealth Service已成为一个蓬勃发展的领域，该领域是指基于计算机的医疗保健和信息提供，以在本地，区域和全球改善卫生服务。 通过分析电子健康数据不仅可以照顾患者，而且还通过相应的数据驱动的eHealth Systems提供服务，有效的疾病风险预测模型。 在本文中，我们特别关注预测和分析糖尿病，这是一种日益普遍的慢性疾病，是指在长时间内以高血糖水平为特征的一组代谢性疾病。 k-nearest邻居（KNN）是利用相关健康数据建立这种疾病风险预测模型的最流行和最简单的机器学习技术之一。 为了实现我们的目标，我们提出了基于患者在各个维度中的习惯属性的基于基于学习的预测模型的最佳K-最近的邻居（OPT-KNN）。 此方法确定了误差率较低的最佳邻居数，以在结果模型中提供更好的预测结果。 该机器学习eHealth模型的效果通过对医疗医院收集的现实世界糖尿病数据进行实验来检查。如今，EHealth Service已成为一个蓬勃发展的领域，该领域是指基于计算机的医疗保健和信息提供，以在本地，区域和全球改善卫生服务。通过分析电子健康数据不仅可以照顾患者，而且还通过相应的数据驱动的eHealth Systems提供服务，有效的疾病风险预测模型。 在本文中，我们特别关注预测和分析糖尿病，这是一种日益普遍的慢性疾病，是指在长时间内以高血糖水平为特征的一组代谢性疾病。 k-nearest邻居（KNN）是利用相关健康数据建立这种疾病风险预测模型的最流行和最简单的机器学习技术之一。 为了实现我们的目标，我们提出了基于患者在各个维度中的习惯属性的基于基于学习的预测模型的最佳K-最近的邻居（OPT-KNN）。 此方法确定了误差率较低的最佳邻居数，以在结果模型中提供更好的预测结果。 该机器学习eHealth模型的效果通过对医疗医院收集的现实世界糖尿病数据进行实验来检查。有效的疾病风险预测模型。在本文中，我们特别关注预测和分析糖尿病，这是一种日益普遍的慢性疾病，是指在长时间内以高血糖水平为特征的一组代谢性疾病。k-nearest邻居（KNN）是利用相关健康数据建立这种疾病风险预测模型的最流行和最简单的机器学习技术之一。为了实现我们的目标，我们提出了基于患者在各个维度中的习惯属性的基于基于学习的预测模型的最佳K-最近的邻居（OPT-KNN）。此方法确定了误差率较低的最佳邻居数，以在结果模型中提供更好的预测结果。该机器学习eHealth模型的效果通过对医疗医院收集的现实世界糖尿病数据进行实验来检查。
使用非线性特征和预处理技术对EEG信号进行分类
摘要：在本文中，我们研究了非线性预处理技术对脑电图（EEG）信号分类的影响。这些方法用于分类从癫痫发作活性和脑肿瘤类别中捕获的EEG信号。对于第一类，使用椭圆机过滤器进行预处理，以及统计特征，例如香农熵，平均值，标准偏差，偏度和带功率。k-nearest邻居（KNN）和支持向量机（SVM）用于分类。对于脑肿瘤EEG信号，经验模式分解被用作预处理技术，以及用于分类正常和异常脑电图信号的标准统计特征。对于癫痫信号，我们已经达到了三级分类的平均准确性，而对于脑肿瘤信号，我们的平均准确度为98％的分类精度为98％，认为这是两类问题。
环境管理杂志
该代码是在Python和Jupyter Notebook [7]中创建的，可以用作未来ML应用程序的模板。在《代码海洋胶囊》中，我们包括了jupyter笔记本和python脚本，以便其他人可以复制与原始研究中相同的结果。该软件有两个部分。第一部分实现了五个ML模型（Logistic回归（LR），K -Neart最邻居（KNN），幼稚的贝叶斯（NB），随机森林（RF）和极端梯度提升（XGBOOST））。在第二部分中实施了两个深度学习模型（多层感知器（MLP）和卷积神经网络（CNN））。将这些模型的性能与准确性，精度，召回和F1得分进行了比较。之后，探索了最佳模型的特征重要性，特征相关性，可变聚类，混淆矩阵和内核密度估计（KDE）。
基于心率变异性的机器学习模型...
使用 HRV 数据，训练分类模型以成功区分疲劳和非疲劳状态。图 2 显示了每个分类问题的最重要特征。训练集中的交叉验证结果在补充材料中报告（见表 S1）。表 1 和表 2 分别总结了在任务相关和静息 HRV 数据上训练的分类器的测试集预测性能。下面，我们报告最重要的发现。置换测试表明，所有分类器在所有分类问题中的分类性能与置换零分布有显著不同。对于每个分类问题，SVM、KNN 和 RF 分类器的性能产生类似的结果。但是，在所有分类问题中，SVM 的平均表现略优于其他两个分类器。不管
FF16D64B-25BB-43C9-B84F-C628DB098916.PDF
心脏听诊是一种无创，方便且低成本的心脏瓣膜疾病的方法，它可以在早期诊断心脏瓣膜的异常。但是，听诊的准确性取决于心脏病学家的专业精神。偏远地区的医生可能缺乏正确诊断的经验。因此，有必要设计一个系统来协助诊断。TIS研究提出了一种计算机辅助心脏瓣膜疾病诊断系统，包括心脏声音获取模块，训练有素的诊断模型和软件，可以诊断四种心脏瓣膜疾病。在这项研究中，收集了包含FVE类别的心脏声音类别的训练数据集，包括正常，二尖瓣狭窄，二尖瓣反流和主动脉狭窄心脏声音。卷积神经网络Googlenet和加权KNN用于单独训练模型。对于通过卷积神经网络训练的模型，时间序列心脏声音信号基于连续小波变换转换为时频缩放图，以适应Googlenet的体系结构。对于通过加权KNN训练的模型，手动提取时间域和时频域的特征。基于卡方测试的十项选择选择，以获得更好的功能。此外，我们设计的软件使医生可以上传心脏声音，可视化心脏声波形并使用模型来获取诊断。使用准确性，灵敏度，特异性和F 1分数指标的模型评估是在两个训练有素的模型上进行的。te结果表明，经过修改的Googlenet训练的模型优于其他人，总体准确性为97.5％。诊断四种心脏瓣膜疾病的平均准确性，灵敏度，特异性和F 1得分分别为98.75％，96.88％，99.22％和97.99％。 TE计算机辅助诊断系统，具有心脏声音获取模块，诊断模型和软件，可以可视化心脏声波并显示参考诊断结果。 可以帮助诊断心脏瓣膜疾病，尤其是在缺乏熟练医生的偏远地区。诊断四种心脏瓣膜疾病的平均准确性，灵敏度，特异性和F 1得分分别为98.75％，96.88％，99.22％和97.99％。TE计算机辅助诊断系统，具有心脏声音获取模块，诊断模型和软件，可以可视化心脏声波并显示参考诊断结果。可以帮助诊断心脏瓣膜疾病，尤其是在缺乏熟练医生的偏远地区。
影像组学结合机器学习方法鉴别脑泡型包虫病与脑转移瘤
方法对51例患者（其中室管膜瘤24例、髓母细胞瘤27例）的增强T1WI图像进行分析，提取了188个特征，包括直方图、形状特征和纹理特征。然后使用单变量分析、单变量分析筛选和多变量逻辑回归选择了66个特征。他们建立了四种机器学习模型——随机森林、支持向量机、自适应增强、K最近邻。当使用多元逻辑回归选择的特征进行随机森林时，获得了最高的AUC值（AUC = 0.91）。影像组学和机器学习方法的组合可以很好地区分儿童室管膜瘤和髓母细胞瘤，从而为医生的临床实践提供帮助。在我们的研究中，KNN分类器的AUC分别为0.97、0.94，准确率为0.86和
基于机器学习的库欣病内镜鼻内入路治疗结果预测：未来即将到来？
缩写 ACTH = 促肾上腺皮质激素；AUC = 曲线下面积；CD = 库欣病；CS = 海绵窦；DI = 尿崩症；EEA = 内镜经鼻入路；GBM = 梯度增强机；GLM = 广义线性模型；GTR = 大体肿瘤切除术；IPSS = 下岩窦取样；KNN = k-最近邻；ML = 机器学习；NPV = 阴性预测值；PAS = 过碘酸希夫；PPV = 阳性预测值；RF = 随机森林；ROC = 受试者工作特征；SF-1 = 类固醇生成因子-1；SVM = 支持向量机。随附编者按 DOI：10.3171/2020.3.FOCUS20213。提交于 2020 年 1 月 31 日。接受于 2020 年 3 月 4 日。引用时请包含 DOI：10.3171/2020.3.FOCUS2060。 * MZ 和 VES 对这项工作的贡献相同，并共同为第一作者。
使用机器学习技术的糖尿病预测模型（尼日利亚的一项研究）
糖尿病 (DM) 是一种代谢紊乱，当体内血糖水平过高时就会发生，从而导致体内胰岛素不足，引发无数并发症。世界卫生组织在 2021 年指出，2019 年，糖尿病是 150 万人死亡的直接原因。尽管高收入国家在糖尿病预测领域开展了一些研究，但尼日利亚等中低收入国家并没有做太多研究，而是利用了其环境特有的因素。因此，本文旨在开发一种机器学习模型，以在早期预测个人的糖尿病。该研究确定了九个糖尿病属性，并使用三种监督学习算法，即 K 最近邻 (KNN) 决策树和人工神经网络 (ANN)，从尼日利亚本地收集的数据集预测糖尿病。结果表明，ANN 的准确率最高，为 97.40%。
利用人工智能和机器学习
缩写：3TR，分类、治疗、目标和缓解项目；AD，特应性皮炎；AI，人工智能；ANN，人工神经网络；ARIA，哮喘中的 AiRway；BOPMAP，特应性皮炎和牛皮癣中的 BIOMarkers；CNN，卷积神经网络；CO，一氧化碳；DL，深度学习；EAACI，欧洲过敏和临床免疫学会；EHR，电子健康记录；HCP，医疗保健专业人员；IT，信息技术；KNN，K 最近邻；ML，机器学习；NLP，自然语言处理；OFC，口服食物挑战；PA，花生过敏；PERF，呼气峰流速；PM，颗粒物；RCT，随机对照试验；RF，随机森林；RWD，真实世界数据；RWE，真实世界证据；SVM，支持向量机；TA，雷暴引发的哮喘。
使用机器学习方法预测脑卒中
印度马哈拉施特拉邦浦那工程学院摘要 - 中风是一种通过撕裂大脑血管而造成损害的疾病。当大脑中的血液和各种营养物质停止流动时，也可能发生中风。根据世界卫生组织 (WHO) 的说法，中风是世界上导致死亡和残疾的主要原因之一。大多数工作都是关于心脏病发作的预测，但很少有工作显示脑中风的风险。因此，人工智能模型被用来预测脑中风的风险。该项目旨在确定患者中风风险的熟悉程度及其决定因素。该研究考虑了许多因素，并使用逻辑回归、决策树分类、随机森林分类、KNN 和 SVM 等 ML 算法进行准确预测。索引术语 - 机器学习；逻辑回归；决策树分类；随机森林分类；k-最近邻；支持向量机。