Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Using Evolutionary Algorithms to Personalize Controllers in Ambient Intelligence Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Automatic Early Risk Detection of Possible Medical Conditions for Usage Within an AMI-System

verfasst von : H. Joe Steinhauer, Jonas Mellin

Erschienen in: Ambient Intelligence - Software and Applications

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Using hyperglycemia as an example, we present how Bayesian networks can be utilized for automatic early detection of a person’s possible medical risks based on information provided by unobtrusive sensors in their living environments. The network’s outcome can be used as a basis on which an automated AMI-system decides whether to interact with the person, their caregiver, or any other appropriate party. The networks’ design is established through expert elicitation and validated using a half-automated validation process that allows the medical expert to specify validation rules. To interpret the networks’ results we use an output dictionary which is automatically generated for each individual network and translates the output probability into the different risk classes (e.g., no risk, risk).

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Using Evolutionary Algorithms to Personalize Controllers in Ambient Intelligence
Nächstes Kapitel Reducing Stress and Fuel Consumption Providing Road Information
Literatur
1.
J. Mellin, H.J. Steinhauer, L. Boffi, D. Kristály, P. Ciampolini, N. Pierantozzi, B. Carlsson, C. Berg, M. de Pender, G. Vespasiani, An automated triage for ambient assisted living in HELICOPTER. J. Des. Test (under review)
2.
P. Lucas, Bayesian networks in biomedicine and health care. Editor. Artif. Intell. Med. 30, 201–214 (2004)CrossRef
3.
4.
P. Lucas, Bayesian networks in medicine: a model-based approach to medical decision making, in Proceedings of the EUNITE Workshop on Intelligent Systems in Patient Care (2001), pp. 73–97
5.
S. Visscher, P. Lucas, K. Schurink, M. Bonten, Using a Bayesian-network model for the analysis of clinical time-series data, in Artificial Intelligence in Medicine 2005, ed. by S. Miksch et al. LNAI, vol. 358 (Springer, Berlin, 2005), pp. 48–52
6.
S. Andreassen, C. Riekehr, B. Kristensen, H.C. Schønheyder, L. Leibovici, Using probabilistic and decision – theoretic methods in treatment and prognosis modelling. Artif. Intell. Med. 15, 121–134 (1999)CrossRef
7.
D. Aronsky, P.J. Haug, Diagnosing community-acquired pneumonia with a Bayesian network, in Proceedings of AMIA Symposium (1998), pp. 632–636
8.
I.A. Beinlich, H.J. Suermondt, R.M. Chavex, G.F. Cooper, The ALARM monitoring system: a case study with two probabilistic inference techniques for belief networks, in Artificial Intelligence in Medicine, ed. by J. Hunter, J. Cookson J, J. Wyatt. (Springer, 1989), pp. 247–256
9.
O. Nee, A. Hein, Clinical decision support with guidelines and Bayesian networks, in Decision Support Systems Advances, ed. by G. Devlin. INTECH (2010), pp. 117–136
10.
S. Russel, P. Norvig, Artificial Intelligence: A modern Approach (Pearson, Upper Saddle River, 2010)
11.
G. Shafer, A Mathematical Theory of Evidence (Princeton University Press, Princeton, 1976)
12.
13.
T.G. Martin, M.A. Burgman, F. Fidler, P.M. Kuhnert, S. Low-Choy, M. Mcbride, K. Mengersen, Eliciting Expert Knowledge in Conservation Science. In: Conservation Biology. Society for Conservation Biology (2011)
14.
J. Fox, D. Glasspool, J. Bury, in Quantitative and Qualitative Approaches to Reasoning Under Uncertainty in Medical Decision Makin. ed. by S. Quagline, P. Barahona, S. Andreassen. AIME 2001 (Springer, Berlin, 2001), pp. 272–282
15.
J. Fox, P. Krause, M. Elvang-Gøransson, Argumentation as a general framework for uncertain reasoning, in proceedings of the ninth conference on uncertainty in artificial intelligence (1993)
16.
17.
18.
P. Lyons, A.T. Cong, H.J. Steinhauer, S. Marsland, J. Dietrich, H.W. Guesgen, Exploring the responsibilities of single-inhabitant smart homes with use cases. J. Ambient Intell. Smart Environ. 2(3), 211–232 (2010)
19.
J. Pitchford, K. Mengersen, A proposed validation framework for expert elicited Bayesian networks. Expert Syst. Appl. 40(1), 162–167 (2013)CrossRef
20.
C. Lacave, F.J. Díez, A review of explanation methods for Bayesian networks. J. Knowl. Eng. Rev. 17, 107–127 (2002)
21.
J.M. Bernardo, A.F.M. Smith, Bayesian Theory (Wiley, Hoboken, 2000)MATH
22.
P. Walley, Statistical Reasoning with Imprecise Probabilities (Chapman and Hall, London, 1991)CrossRefMATH
23.
A. Karlsson, R. Johansson, S.F. Andler, Characterization and empirical evaluation of bayesian and credal combination operators. J. Adv. Inf. Fusion 6(2), 150–166 (2011)
24.
A. Karlsson, Evaluating credal set theory as a belief framework in high-level information fusion for automated decision-making. PhD thesis, Örebro University, School of Science and Technology (2010)
Metadaten
Titel
Automatic Early Risk Detection of Possible Medical Conditions for Usage Within an AMI-System
verfasst von
H. Joe Steinhauer
Jonas Mellin
Copyright-Jahr
2015
Buch
Ambient Intelligence - Software and Applications

Print ISBN: 978-3-319-19694-7

Electronic ISBN: 978-3-319-19695-4

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-19695-4_2