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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Sentence Compression with Reinforcement Learning Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Recognizing Diseases from Physiological Time Series Data Using Probabilistic Model

verfasst von : Danni Wang, Li Liu, Guoxin Su, Yande Li, Aamir Khan

Erschienen in: Knowledge Science, Engineering and Management

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Modern clinical databases collect a large amount of time series data of vital signs. In this work, we first extract the general representative signal patterns from physiological signals, such as blood pressure, respiration rate and heart rate, referred to as atomic patterns. By assuming the same disease may share the same styles of atomic patterns and their temporal dependencies, we present a probabilistic framework to recognize diseases from physiological data in the presence of uncertainty. To handle the temporal relationships among atomic patterns, Allen’s interval relations and latent variables originated from Chinese restaurant process are utilized to characterize the unique sets of interval configurations of a disease. We evaluate the proposed framework using MIMIC-III database, and the experimental results show that our approach outperforms other competitive models.

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 Dual Sum-Product Networks Autoencoding
Nächstes Kapitel An Incremental Approach Based on the Coalition Formation Game Theory for Identifying Communities in Dynamic Social Networks
Literatur
1.
Allen, J.F.: Maintaining knowledge about temporal intervals. ACM (1983)
2.
Banaee, H., Loutfi, A.: Data-driven rule mining and representation of temporal patterns in physiological sensor data. IEEE J. Biomed. Health Inform. 19(5), 1557–1566 (2015)CrossRef
3.
Beumer, M.: Qualitative probabilistic networks in medical diagnosis (2006)
4.
Fatima, M., Pasha, M.: Survey of machine learning algorithms for disease diagnostic. J. Intell. Learn. Syst. Appl. 01(1), 1–16 (2017)
5.
Fu, T.C.: A review on time series data mining. Eng. Appl. Artif. Intell. 24(1), 164–181 (2011)CrossRef
6.
Goldin, D., Mardales, R., Nagy, G.: In search of meaning for time series subsequence clustering: matching algorithms based on a new distance measure, pp. 347–356 (2006)
7.
He, J., et al.: An association rule analysis framework for complex physiological and genetic data. J. Solid State Chem. 220, 185–190 (2012)
8.
Johnson, A.W.E., et al.: MIMIC-III, a freely accessible critical care database. Scientific Data 3, 160035 (2016)CrossRef
9.
Liu, L., Cheng, L., Liu, Y., Jia, Y., Rosenblum, D.S.: Recognizing complex activities by a probabilistic interval-based model. In: National Conference on Artificial Intelligence (2016)
10.
Marlin, B.M., Kale, D.C., Khemani, R.G., Wetzel, R.C.: Unsupervised pattern discovery in electronic health care data using probabilistic clustering models. In: Proceedings of the 2nd ACM SIGHIT International Health Informatics Symposium, pp. 389–398 (2012)
11.
Muflikhah, L., Wahyuningsih, Y., Nbsp, M.: Fuzzy rule generation for diagnosis of coronary heart disease risk using substractive clustering method. J. Softw. Eng. Appl. 06(07), 372–378 (2013)CrossRef
12.
Ni, J., Fei, H., Fan, W., Zhang, X.: Cross-network clustering and cluster ranking for medical diagnosis. In: IEEE International Conference on Data Engineering, pp. 163–166 (2017)
13.
Nikovski, D.: Constructing Bayesian networks for medical diagnosis from incomplete and partially correct statistics. IEEE Trans. Knowl. Data Eng. 12(4), 509–516 (2000)CrossRef
14.
Nisha, S., Kathija, A.: Breast cancer data classification using SVM and Naive Bayes techniques. International J. Innov. Res. Comput. Commun. Eng. 4(12) (2016)
15.
Pitman, J.: Combinatorial stochastic processes. Technical report 621, Department of Statistics, UC Berkeley, Lecture notes (2002)
16.
Sacchi, L., Bellazzi, R., Larizza, C., Porreca, R., Magni, P.: Learning rules with complex temporal patterns in biomedical domains. In: Miksch, S., Hunter, J., Keravnou, E.T. (eds.) AIME 2005. LNCS (LNAI), vol. 3581, pp. 23–32. Springer, Heidelberg (2005). https://​doi.​org/​10.​1007/​11527770_​4CrossRef
17.
Zhang, Y., Zhang, Y., Swears, E., Larios, N., Wang, Z., Ji, Q.: Modeling temporal interactions with interval temporal Bayesian networks for complex activity recognition. IEEE Trans. Pattern Anal. Mach. Intell. 35(10), 2468–2483 (2013)CrossRef
Metadaten
Titel
Recognizing Diseases from Physiological Time Series Data Using Probabilistic Model
verfasst von
Danni Wang
Li Liu
Guoxin Su
Yande Li
Aamir Khan
Copyright-Jahr
2018
Buch
Knowledge Science, Engineering and Management

Print ISBN: 978-3-319-99364-5

Electronic ISBN: 978-3-319-99365-2

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-99365-2_34

Premium Partner

    Bildnachweise