×
G.S.卡西姆。;Pankajavalli，P.B。

使用物联网-Spiro系统和基于模糊的量子神经网络分类器预测慢性阻塞性肺疾病。 （英语） Zbl 07638349号

西奥。计算。科学。 941, 55-76 (2023)。
摘要：慢性阻塞性肺疾病（COPD）是一种多种进行性疾病，会增加死亡率和发病率，并成为威胁个人生命的问题。准确和经济高效的疾病诊断在医学领域中发挥着重要作用，在机器学习技术的帮助下，利用感官方法对疾病进行预测已经开展了广泛的研究。传统的疾病诊断程序具有侵入性，成本较高，决策支持系统在大多数情况下都不可靠。人体呼出的呼吸由各种挥发性有机化合物（VOCs）组成，这些挥发性有机化合物会受到代谢和疾病活动的影响。因此，分析呼出气体中的挥发性有机物对COPD的诊断具有巨大的潜力，并能迅速降低死亡率。本研究设计了物联网Spiro系统，并提出了智能机器学习预测框架（IMLFF）。IoT-Spiro系统可感知呼气中可用的各种VOCs模式，并使用IMLFF分析了实时参数。该框架结合了用于从实时数据集中选择最佳特征的混合遗传大爆炸大爆炸算法（GBB-BC）和用于诊断COPD的模糊量子神经网络（F-QNN）分类器。实验结果表明，与现有的各种统计参数和性能度量方法相比，IMLFF具有更好的性能。通过结果分析，确定物联网Spiro系统和IMLFF框架可以作为医生诊断COPD的有效辅助模型。

引用于1文件

MSC公司：

68季度xx 计算理论

关键词：

挥发性有机化合物;呼出的气;物联网Spiro系统;COPD诊断;特征选择;机器学习分类器
PDF格式BibTeX公司 XML格式引用
\textit{G.S.Karchouth}和\textit{P.B.Pankajavalli}，Theor。计算。科学。941，55-76（2023；Zbl 07638349）
全文： 内政部

参考文献：

[1] Halpin，D.M.G。；克里纳，G.J。；Papi，A。；辛格，D。；Anzueto，A。；马丁内斯（F.J.Martinez）。；Agusti，A.A。；Vogelmeier，C.F.，慢性阻塞性肺病诊断、管理和预防全球倡议。2020年黄金科学委员会关于新冠肺炎和慢性阻塞性肺病的报告，Am.J.Respir。克里特。护理医学，203，1，24-36（2021年1月1日）
[2] Boulet，L.P。；菲茨杰拉德，J.M。；利维，M.L。；克鲁兹，A.A。；Pedersen，S。；Haahtela，T.，《将全球哮喘倡议（GINA）战略转化为改善护理的指南》，《欧洲呼吸》。J.，39，1220-1229（2012）
[3] 施纳贝尔，R。；Fijten，R。；Smolinska，A.，《呼出气体中挥发性有机化合物的分析以诊断呼吸机相关性肺炎》，《科学》。代表，5，第17179条pp.（2015）
[4] 向，L。；Wu，S。；华强。；鲍，C。；Liu，H.，《人类呼出气体中的挥发性有机化合物诊断胃肠道癌：一项荟萃分析》，Front。Oncol.公司。，11，第606915条pp.（2021）
[5] N.Muni Kumar，R.Manjula，《大数据分析在农村卫生保健中的作用——迈向svasth bharath的一步》，2014年。
[6] Eswari，T。；Sampath，P。；Lavanya，S.，《大数据中糖尿病数据分析的预测方法》，Proc。计算。科学。，2020-208年5月50日（2015年）
[7] D’Souza，S。；Prema，K.V。；Balaji，S.，使用统计和机器学习方法进行特征选择和建模，（2020年IEEE分布式计算、VLSI、电路和机器人国际会议（DISCOVER）（2020）），18-22
[8] 王，Z。；Lin，Z.，基于学习的情感分类算法的最佳特征选择，Cogn。计算。，12, 238-248 (2020)
[9] Yang，G.，基于智能包装、非侵入式生物传感器和智能药盒集成的健康IoT平台，IEEE Trans。Ind.通知。，10, 4, 2180-2191 (2014)
[10] 严，Y。；李强。；李，H。；张，X。；Wang，L.，《开放获取：基于家庭的健康信息获取系统》，《健康信息科学》。系统。，1, 12 (2013)
[11] Firouzi，F.，《智能医疗的物联网和大数据：从设备到架构、应用程序和分析》，《未来一代》。计算。系统。，78, 583-586 (2018)
[12] Muro，S。；石田，M。；Horie，Y.，《健康受试者慢性阻塞性肺病诊断的机器学习方法：回顾性观察性队列研究》，JMIR Med.Inform。，9、7，文章e24796 pp.（2021），2021年7月6日出版
[13] 贝特曼，E.D。；赫德，S.S。；巴恩斯，P.J。；Bousquet，J。；Drazen，J.M。；菲茨杰拉德，M。；吉布森，P。；Ohta，K。；O'Byrne，P。；Pedersen，S.E.，全球哮喘管理和预防战略：GINA执行摘要，Eur.Respir。J.，31，1，143-178（2008）
[14] 菲利普斯，M。；卡塔内奥，R.N。；A.R.Cummin。；Gagliardi，A.J。；Gleeson，K。；J.格林伯格。；麦克斯菲尔德，R.A。；Rom，W.N.，《利用呼吸中的挥发性标记物检测肺癌》，《胸部》，第123、6、2115-2123页（2013年）
[15] Schieweck，A。；Gunschera，J。；Varol，D.，测定室内空气中极易挥发有机化合物（C_3-C_6）的分析程序，分析。Bioanal公司。化学。，4103171-3183（2018）
[16] 迪纳·哈苏尔；Haick，Hossam，呼气检测肺部疾病的传感器，欧洲呼吸学会。修订版，28152（2019年）
[17] Aktapf，Pavlou，嗅出真相：使用电子鼻进行临床诊断，临床。化学。医学实验室，38，2，99-112（2000）
[18] 巴桑塔，M。；贾维斯，R.M。；Xu，Y。；布莱克本，G。；Tal-Singer，R。；Woodcock，A。；辛格，D。；Goodacre，R。；Thomas，C.L。；Fowler，S.J.，《慢性阻塞性肺病患者和健康吸烟者使用微分迁移谱对呼吸进行非侵入性代谢组学分析》，分析家，135，2，315-320（2010）
[19] Kartheck，G.S。；Pankajavalli，P.B.，《呼出挥发性有机化合物在疾病诊断中的有效使用：综合评述》，《印度公共卫生研究发展杂志》，10，4（2019年）
[20] Van Berkel，J.J。；Dallinga，J.W。；莫勒，G.M。；Godschalk，R.W。；Moonen，E.J。；沃特斯，E.F。；van Schooten，F.J.，呼吸中挥发性有机化合物的分布区分COPD患者和对照组，Respir。医学，104，4557-563（2020）
[21] 芬斯，N。；de Nijs，S.B。；彼得斯，S。；德克尔，T。；Knobel，H.H。；温克·T·J。；威拉德，N.P。；Zwinderman，A.H。；Krouwels，F.H。；Janssen，H.G.，《呼出气体分子剖析与COPD炎症亚型和活动的关系》，欧洲呼吸杂志。J.，38，6，1301-1309（2011）
[22] Shardlow，M.，《特征选择技术分析》（2016），曼彻斯特大学
[23] Sarker，I.H.，《机器学习：算法、现实世界的应用和研究方向》，SN Comput。科学。，2160（2021）
[24] Tawhid，医学硕士。；Ibrahim，A.M.，《基于粗糙集方法、包装器方法和二进制鲸鱼优化算法的特征选择》，Int.J.Mach。学习。赛博。，11, 573-602 (2020)
[25] Shahrjooihaghighi，A。；Frigui，H.，多实例学习的局部特征选择，J.Intell。信息系统。(2021)
[26] 布拉加，P.L。；奥利维拉，洛杉矶。；Meira，S.R.L.，用于软件工作量估算的支持向量回归的基于遗传算法的特征选择和参数优化，（ACM-SAC（2018）会议记录，ACM），1788-1792
[27] Kudo，M。；Sklansky，J.，为模式分类器选择特征的算法比较，模式识别。，33, 25-41 (2000)
[28] 达斯，N。；萨尔卡，R。；巴苏，S。；昆都，M。；Nasipuri，M。；Basu，D.K.，基于遗传算法的区域采样，用于选择手写数字识别应用中的局部特征，应用。软计算。，12, 5, 1592-1606 (2012)
[29] Ratta，G.A。；Vega，J。；Murari，A。；JET-EFDA贡献者，基于遗传算法的改进特征选择用于JET实时中断预测，Fusion Eng.Des。，87, 9, 1670-1678 (2012)
[30] 加西亚，S。；德拉克，J。；卡诺，J.R。；Herrera，F.，《最近邻分类的原型选择：分类学和实证研究》，IEEE Trans。模式分析。机器。智力。，34, 3, 417-435 (2012)
[31] Triguero，I。；加西亚，S。；Herrera，F.，用于优化最近邻分类中原型定位的差异进化，模式识别。，44, 4, 901-916 (2011)
[32] Sedighizadeh，M。；艾哈迈迪，S。；Sarvi，M.，《模糊框架下平衡和非平衡配电系统多目标重构的高效混合Big-Bang-Big crunch算法》，Electr。电源组件。系统。，41、1、75-99（2013年1月）
[33] Hasançebi，O。；Kazemzadeh Azad，S.，用于钢框架离散设计优化的指数大爆炸大紧缩算法，Comput。结构。，110-111167-179（2012年）
[34] Kaveh，A。；Talatahari，S.，通过Big Bang-Big Crunch混合算法对Schwedler和肋形穹顶进行优化设计，J.Constr。《钢铁研究》，66，3，412-419（2010）
[35] 傅，T.A.W.C。；陈，P.M.-S。；Cheung，Y.-L。；Moon，Y.S.，给定成对距离的n近邻搜索的动态vp树索引，VLDB J.，9，2154-173（2000）
[36] 吴，X。；库马尔，V.，《数据挖掘十大算法》（2007），施普林格出版社：德国柏林施普林格
[37] 乌丁，S。；A.Khan。；Hossain，M.，《疾病预测中不同监督机器学习算法的比较》，BMC Med.Inform。Decis公司。制造商。，19, 281 (2019)
[38] 米塔尔，K。；阿加瓦尔，G。；Mahajan，P.，《K-最近邻分类器和K-均值聚类预测诊断准确性的性能研究》，国际期刊信息技术。，11, 535-540 (2019)
[39] Chen，H.-L。；杨，B。；刘杰。；Liu，D.Y.，一种基于粗糙集特征选择的支持向量机分类器，用于乳腺癌诊断，专家系统。申请。，38, 7, 9014-9022 (2011)
[40] Sánchez，V.David，《高级支持向量机和内核方法》，神经计算，55，1-2，5-20（2003）
[41] 罗德里格斯，J.D。；佩雷斯，A。；阿特塔，D。；Tejedor，D。；Lozano，J.A.，《使用多维贝叶斯网络分类器帮助治疗多发性硬化症》，IEEE Trans。系统。人类网络。，C部分，申请。版次：421705-1715（2012年11月）
[42] Pankajavalli，P.B。；Kartheck，G.S。；Sakthivel，R.，通过传感器集成键盘数据进行压力预测的高效机器学习框架，IEEE Access，9，95023-95035（2021）
[43] Mehdy，M.M。；Ng，P.Y。；谢尔，E.F。；新泽西州萨利赫。；Gomes，C.，乳腺癌早期检测图像处理中的人工神经网络，计算机。数学。医学方法（2017）
[44] 索马耶Moghaddam；穆罕默德·法拉；哈米德·卡齐米波尔；Salehipour，Amir，《心脏病诊断的基于模糊推理-模糊层次分析过程的临床决策支持系统》，专家系统。申请。，95 (2017)
[45] 啤酒，K。；Bondarenko，D。；Farrelly，T.，训练深度量子神经网络，国家通讯社。，11, 808 (2020)
[46] 勒努·纳雷恩；桑贾·萨克塞纳；Goyal，Achal，使用临床参数的基于量子神经网络的新型心脏病预测系统，Annu。生物研究评论。，14, 1-10 (2017)
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。