标志”src=

医疗保健工程
PDF
医疗保健工程/2017年/文章
特殊的问题

人工智能在医学应用

把这个特殊的问题

研究文章|开放获取

体积 2017年 |文章的ID 2187904 | https://doi.org/10.1155/2017/2187904

Gurmanik考尔,制成Shatru Arora Vijender Kumar耆那教的, ”比较分析的混合模型预测BP反应夹紧双腿”,医疗保健工程, 卷。2017年, 文章的ID2187904, 13 页面, 2017年。 https://doi.org/10.1155/2017/2187904

比较分析的混合模型预测BP反应夹紧双腿

Gurmanik考尔,1 制成Shatru Arora,2 和 Vijender Kumar耆那教徒的2

1电气工程系、SBBSU Khiala、地区Jalandhar,旁遮普144030年,印度

2电气和仪表工程系、SLIET认为大学(印度)由政府设立,Longowal,地区Sangrur,旁遮普148106年,印度

学术编辑器:Ming-Yuan谢长廷
收到了 2017年8月14日
修改后的 2017年10月05
接受 2017年10月16日
发表 2017年11月26日

文摘

交叉双腿的膝盖,在英国石油公司(BP)测量,是一些生理的刺激,大大影响英国石油(BP)测量的准确性。因此,它是至关重要的制定一个适当的预测模型对口译的影响对英国石油(BP)夹紧双腿。本研究描述了使用的主成分分析(PCA)融合提出了逐步回归(FSWR),人工神经网络(ANN),自适应神经模糊推理系统(简称ANFIS)和最小二乘支持向量机(二)模型预测的BP反应正常血压和高血压参与者之间的夹紧双腿。提出了预测模型的性能的评估使用适当的统计指数表明,PCA-based二(PCA-LS-SVM)模型的预测精度最高,确定系数(R2)= 93.16%,均方根误差(RMSE) = 0.27,和平均绝对百分比误差(日军)= 5.71 SBP预测血压正常的科目。此外,R2RMSE = 0.19 = 96.46%,日军对SBP预测和= 1.76R2RMSE = 0.21 = 95.44%,日军= 2.78高血压预测类似的主题使用PCA-LSSVM模型。这个评估提出了混合计算模型构成的重要性和优势在生物医学研究的预测变量。

1。介绍

精确测量的血压(BP)是必不可少的诊断高血压的早期阶段。高血压作为最高风险因素出现危及生命的条件,如冠状动脉疾病,中风和肾功能衰竭(1]。然而,根据最近发表的一篇社论高血压杂志》的美国心脏协会(AHA),“很少有测量在医学一样差,英国石油(BP)测量。有明确识别的生物多样性,我们继续做出决策在很大程度上测量了在随机时间控制不佳的条件下“2]。这个观察支持需要制定准确的BP预测的新方法。

推荐几个国际组织包括美国心脏协会(3),英国高血压学会(黑洞)[4),和欧洲高血压协会(数量)5)透露,英国石油公司受到众多生物和分析变异的来源。生物变化相对于个体的变化引起的,例如,情感,昼夜节律,季节,食物,和姿势。分析差异来源于仪器使用的可变性,观察者偏见,等等。然而,它并不总是可行的控制所有的因素,但我们可以减少他们的影响考虑到他们在达成决定5]。

正确的主题定位的腿在BP测量往往是被忽视的。似乎是一个舒适的位置,受试者自发交叉双腿的膝盖。几个临床和研究已经证明,交叉双腿膝盖水平在英国石油公司(BP)测量潜在影响测量的准确性。Foster-Fitzpatrick等人表现出显著增加BP用膝盖水平高血压的双腿交叉学科(6]。Peters等人报道,夹紧双腿在BP测量显著增加收缩压(SBP)、舒张压(菲律宾)高血压。在健康的志愿者,SBP和双腿交叉在膝盖水平时,增加类似但是不重要的对菲律宾的影响(7]。Keele-Smith Price-Daniel,证明BP双腿交叉时的风险高和交叉well-senior人口(8]。Pinar等人表明,交叉腿在膝盖在高血压受试者的血压水平增加9]。Adiyaman等人发现显著的双腿交叉时的血压在膝盖水平(10]。范·格罗宁根等人测量BP使用Finometer;他们发现血压的增加与两腿交叉在膝盖水平(11]。Pinar等人报道,在高血压的话题,英国石油(BP)显著增加时,两腿交叉(12]。

尽管研究证实腿立场BP测量的重要性,很可能腿位置存在明显差异在临床实践中,也在已发表的研究2),它可能导致误诊的高血压或高血压的严重程度的高估和可能导致过度积极的治疗。抗高血压治疗可能是不必要的没有并发心血管疾病的风险因素(13]。

此外,有越来越多的证据表明,人体测量指数是英国石油公司的主要决定因素。过去一些研究已经进行了识别人体测量特征可以作为标记的英国石油公司(14- - - - - -16]。这些研究探索英国石油(BP)和人体测量特征之间的显著相关性的话题。因此,应考虑人体测量特征实现BP反应的精确测量。然而,人体测量特征之间的多重共线性也被报道,这可能会导致“过度拟合”的预测模型17- - - - - -19]。

预测的各种方法利用生物变量范围从传统的基于统计模型的复杂的人工智能模型(20.- - - - - -25]。最近的研究对预测BP如下:Monte-Moreno提出了一个系统同时无创性血糖水平(BGL)的估计,SBP,使用一个类似photoplethysmograph (PPG)和机器学习技术。生理属性包括血液粘度、船合规、血液动力学、代谢综合征、人口学特征和情绪状态作为输入变量。机器学习技术测试如下:脊线性回归,多层感知器人工神经网络(ANN)、支持向量机(SVM)和随机森林。最好的结果与随机森林方法(26]。Genc线性随机模型,提出了一个集成的一个已知的部分心血管系统和未知的部分通过参数估计预测平均动脉压(MAP)的进化。模型的性能测试的案例研究急性低血压患者生理网(啊)数据。他们得出结论,真正积极的利率(tpr)和假阳性利率(玻璃钢)改进预测期间(27]。Forouzanfar等人提出了一种新颖的基于ANN BP估计从手腕示波的测量。与之前的方法,使用原始的示波的波形包络安(OMWE)作为输入,在这篇文章中,他们提议使用功能从信封中提取。OMWE是数学建模为两个高斯函数的和。高斯函数的最优参数被发现通过最小化之间的最小二乘误差(LSE)模型和使用Levenberg OMWE马夸特算法和被用作输入功能。安的性能比传统的最大振幅算法(MAA),自适应神经模糊推理系统(简称ANFIS)和ANN-based定义方法。发现该方法取得了较低的平均绝对误差(MAE)值和标准偏差(σ)错误(SDE)在英国石油公司的估计28]。Kurylyak等人估计PPG信号使用的BP ANN。训练数据提取的多参数智能监控在重症监护波形数据库更好的表示可能的脉冲和压力的变化。估计和参考价值的比较显示精度比线性回归方法(29日]。Golino等人相比,分类树技术与传统逻辑回归预测BP。身体质量指数(BMI)、腰围(WC)、臀围(HC)和腰臀比(WHR)被用作预测变量。最后,分类树技术的比较与传统逻辑回归表明,前者比后者的预测能力(30.]。

Hsin-Hsiuang等人逻辑回归相比,支持向量机,permanental分类方法在预测高血压通过使用基因型信息。他们使用逻辑回归分析的第一步检测重要的单核苷酸多态性(snp)。在第二步中,他们使用逻辑回归的显著的单核苷酸多态性,SVM和permanental分类方法用于预测。结果表明,支持向量机和permanental分类表现逻辑回归(31日]。汗等人提出的支持向量机进行预测的BP使用Facebook状态与情绪。当前人类BP和那些属于六之前的主要情感和英国石油公司价值观对人类情感被作为输入变量。结果表明,支持向量机可以通过主路旁申请预测BP的情绪。相反,验证表明,支持向量机模型的预测误差统计略微超过(32]。"等人建立了一个逻辑回归模型校准和纠正这样的示波的监控设备更好地对应于Korotkoff方法不管病人的健康状况。该模型消除了系统误差引起的过度或低血压患者解除痛苦。他们报告说,系统误差降低了近50%对应设备的性能规范(33]。

进行更好的训练过程,提高预测的准确性,混合计算模型在医学诊断正在开发支持关于临床住院医师在成功的决策,早期预防、早期临床诊断、临床治疗和应用程序,允许计算疾病的可能性根据已知的主题特征和临床测试结果(34]。开发一种混合动力计算模型的主要前提是利用两个或两个以上的模型之间的协同作用,利用他们的好处和克服各自的局限性。过去几年里已经看到一个巨大的混合计算模型的兴趣,似乎已经完全取代了传统unisystem方法。在生物医学研究中使用混合建模研究的理论基础主要是获得更少的重要预测变量,和选择的预测变量可以作为设计输入预测模型。因此,混合方法可以提高诊断精度和减少复杂性的预测模型35]。

目前的研究是一个延续我们的先前的研究[36,37)处理混合计算技术的发展预测的BP反应说话和不受支持的。本研究工作的重点是开发基于主成分分析(PCA)的远期逐步回归(FSWR),安,简称ANFIS和最小二乘支持向量机(二)混合计算模型预测BP反应夹紧双腿的考虑BP的人体测量指标正常血压和高血压科目。开发模型的预测精度是评估使用确定系数(R2),均方根误差(RMSE)和平均绝对百分比误差(日军)。

2。材料和方法

2.1。参与者

总共30 40血压正常的高血压科目在学生中,员工,和教师的桑特Longowal工程技术研究所认为大学Longowal Distt。Sangrur、旁遮普、印度,包括在这项研究中。参与者年龄超过18年。排除标准怀孕主题,心律不齐的主题,和那些有任何条件,会干扰定位下肢的科目。机构研究委员会批准了研究协议和所有参与者参与之前给书面知情同意。

2.2。数据收集

标准的问卷是人体测量数据的收集管理包括年龄、身高、体重、BMI, (MUAC)和中上臂围的参与者。平均值和标准偏差(SD)收集到的人体测量数据表1。
人体测量特征 Normotensives 高血压药物
的意思是 SD 的意思是 SD
年龄(年) 23.1 1.24 42.83 6.665
身高(厘米) 1.61 0.03 1.583 0.035
体重(公斤) 55.96 7.29 62.48 10.89
BMI(公斤/米2) 21.55 2.504 23.57 3.497
MUAC (cm) 26.56 2.45 26.72 2。4
表1
描述性统计的人体测量特征研究的样本。

一个特别分开房间被用来进行这项研究。这房间内确保最小的干扰而测试被执行。观察者参与这项研究被训练使用黑洞的英国石油(BP)测量培训材料(38]。

消除观察者偏见,英国石油(BP)测量使用验证,新买的,完全自动血压计欧姆龙哼哼- 7203(欧姆龙医疗有限公司,日本京都)使用示波的测量方法。BP监控可用小袖口(17-22厘米),中袖(22-32厘米),和大袖口(32-42厘米)。英国石油(BP)测量之前是选择适当的大小根据MUAC袖口的科目。

受试者建议避免饮酒、吸烟、咖啡/茶摄入量,和锻炼至少30分钟前英国石油(BP)测量。他们要求空膀胱前测量。受试者还指示与支持在椅子上坐直,脚平放在地板上,上臂(测量)在心脏水平,因为它们是潜在的混杂因素。此外,他们被要求不说话和移动测量(3]。

休息5分钟后(3),测量进行了四次反复的间隔一分钟。第一次测量是丢弃,最后三个测量值的平均值是考虑。随后,在膝盖和腿交叉四分钟后,重复测量相同的协议。所有测量是在相同的测量条件下,除了获得不同的腿位置。和测量协议被重复了7天。

2.3。实验方法
2.3.1。主成分分析

PCA是抵消多重共线性的第一步。这是一种降维技术,不考虑输入变量之间的相关性。因此,主成分分析是一种无监督降维方法(39- - - - - -41]。评估每个输入变量的主成分分析的影响,使用方差极大旋转获得的旋转因子载荷值。Kaiser-Meyer-Olkin (KMO)衡量抽样充足率和巴特莱特的球形被用来测试检查数据是否适合应用PCA (42- - - - - -45]。

2.3.2。FSWR

FSWR是传统的统计建模技术用于开发一个最好最优预测模型通过提取出人体测量特征或预测变量根据其统计学意义或概率( )值。它始于一个空的预测模型并添加一个人体测量指标变量。第一个预测变量包含在模型中自变量的相关性最高y。第二个变量包括相关性最高的国家之一y后,y已经调整了第一个预测变量的影响。这个进程终止当最后一个变量进入模型无关紧要的回归系数(46]。

2.3.3。安

安达到最好的建筑,各种结构的前馈安与不同的隐藏层个数和每个隐层神经元。最后,根据性能指标从调查,获得一个ANN结构有两个隐藏层和六个每个隐层节点被选中进行进一步分析。此外,安的体系结构也由一个输入层有四个输入节点(代表四个人电脑)和一个输出层和一个输出节点(表示BP反应交叉腿)。选择双曲正切乙状结肠激活函数为隐层和线性激活函数为输出层训练较少的网络时代也与更好的性能标准和取得最好的结果的预测。反向传播学习算法基于Levenberg-Marquardt技术被用来发现误差函数的局部最小值。它融合了最速下降法和高斯牛顿算法和继承了高斯牛顿算法的速度优势和最速下降法的稳定性。它更强大,比传统的梯度下降法(47,48]。

2.3.4。简称ANFIS

Sugeno-type FIS模型被开发使用“genfis1”网格分区数据预测的BP反应夹紧双腿。不同的隶属度函数简称ANFIS参数包括数字(MFs)和类型的输入和输出测试达到完美的曼氏金融培训和最大的预测精度。输入隶属函数“psigmf”和输出隶属函数“线性”是用于开发的预测模型49]。

简称ANFIS训练模型的其他参数如下:MFs的数量= 16日的节点数量= 55 = 80数量的线性参数,非线性参数的数量= 32,参数= 112,总数和模糊规则的数量= 16。

2.3.5。回归模型

最重要的步骤开发为生物模型如下:选择一个内核及其参数。经过多次实验观察,径向基函数(RBF)内核和网格搜索优化算法(2倍交叉验证)选择获取正则化参数的最佳组合(γ)和方带宽(σ2)[50,51]。

3所示。结果

3.1。夹紧双腿对英国石油公司的影响

配对的结果t以及体现出统计上显著的更高的SBP和夹紧双腿(平均差±SD = 5.838±2.5919, 在血压正常的主题),但菲律宾测量之间没有显著差异(平均差±SD = 0.0037±0.0126, )。在高血压的主题,SBP(平均差±SD = 10.3524±4.5844, )、菲律宾(平均差±SD = 6.1704±1.8531, )当双腿交叉在膝盖水平明显不同。这些结果符合啊哈BP测量委员会的建议在人类和实验动物(3]。

3.2。多重共线性诊断

目视检查的皮尔森相关系数显示多重共线性的存在,如相关系数> 0.6 (52),对人体测量特征之间,在正常血压和高血压患者,如表所示2。
人体测量特征 高度 重量 身体质量指数 MUAC
年龄(年) 0.535
0.113		 0.784
0.598		 0.701
0.509		 0.668
0.585
身高(厘米) 0.543
0.165		 0.237
0.305		 0.619
0.021
体重(公斤) 0.934
0.885 		0.743
0.767
BMI(公斤/米2) 0.617
0.691
表明 ;大胆的值表明高血压的人体特征之间的相关性。
表2
每一对之间的皮尔逊相关系数的人体正常血压和高血压的特征。
3.3。应用主成分分析对英国石油公司的数据

在下一步中,PCA用于省略对人体测量特征之间的多重共线性和简化它们之间的关系的复杂性53]。

核实PCA的适用性,巴特利特球形的测试应用(54]。一个高价值的x平方分布(χ2血压正常的人),( , , )和高血压( , , )暗示个体PCA适用于我们的数据集。KMO的价值也超过0.6为正常血压(0.63)和高血压(0.75),这表明样本容量足够应用PCA (55]。

5个人电脑,只有第一个四个人电脑(PC1-PC4),解释了超过5%的变化,保留了进一步分析。在血压正常的受试者,所选电脑解释总变异的99.8%。方差比例解释PC1 PC2,生物,和PC4被发现为71.84%,16.58%,6.34%,和5.04%,分别。在高血压的主题,选择电脑解释总变异的98.04%。方差比例占PC1 PC2,生物,和PC4估计为61.10%,22.5%,8.78%,和5.66%,分别。荷量方差极大旋转后的人体测量特征给原变量的程度是影响形成新的变量。对正常血压和高血压、体重和体重指数特征与其PC1最高和高度与PC2相关性最高。

此外,皮尔森的相关性对电脑,如表所示3表明,多重共线性的问题呈现在表2解决由于没有显著相关性表中的任何一对电脑之间的关系(相关系数< 0.6)。
个人电脑 PC2 生物 PC4
PC1 −0.00000225
0.00000878		 0.0000000798
0.00000423		 −0.0000167
0.00000659
PC2 −7.237e−016
0.00000919		 5.808e−016
0.0000142
生物 −7.557e−017
0.0000175
大胆的值显示在人体相关高血压研究对象的特征。
表3
每一对之间的皮尔逊相关系数的电脑在正常血压和高血压科目。

开发PCA-based预测模型,主要得分值从原理获得得分系数被用作独立变量和BP反应作为因变量。此外,80%的数据被用于训练,同时整个数据集是用于测试。数据规范化培训之前达到更准确的预测。MATLAB(版本7.5)被用来开发预测模型。

3.4。PCA-Based FSWR (PCA-FSWR)

概率考虑时,标准化的SBP反应的回归PC1(由重量和BMI)被发现血压正常的受试者达到统计上的显著水平。然而,生物组成的(年龄)被发现显著的SBP和反应类似高血压。数据1(一)- - - - - -1 (c)观测值和预测值之间的散点图显示PCA-FSWR模型的BP反应正常血压和高血压科目。

(一)血压正常的SBP”name=
(一)血压正常的SBP
(b)高血压SBP”name=
(b)高血压SBP
为高血压菲律宾(c)”name=
为高血压菲律宾(c)
图1
观测值和预测值之间的散点图使用PCA-FSWR BP反应模型。

最终的模型方程预测BP在血压正常的反应性和高血压科目如下:(一)模型方程获得预测SBP血压正常的受试者的反应: (b)模型方程获得预测高血压SBP反应的主题: (c)模型方程获得预测高血压反应类似的主题:

3.5。PCA-Based安(PCA-ANN)

观测值和预测值之间的散点图PCA-ANN BP反应的模型,如图2(一个)- - - - - -2 (c),虽然显示明显的偏差,但他们比那些从PCA-FSWR模型。

(一)血压正常的SBP”name=
(一)血压正常的SBP
(b)高血压SBP”name=
(b)高血压SBP
为高血压菲律宾(c)”name=
为高血压菲律宾(c)
图2
观测值和预测值之间的散点图使用PCA-ANN BP反应模型。
3.6。PCA-Based简称ANFIS (PCA-ANFIS)

如数据所示3(一个)- - - - - -3 (c)观测值和预测值之间的散点图绘制的BP反应PCA-ANFIS模型清楚地证明改善预测值相比的PCA-FSWR和PCA-ANN预测模型的性能。

(一)血压正常的SBP”name=
(一)血压正常的SBP
(b)高血压SBP”name=
(b)高血压SBP
为高血压菲律宾(c)”name=
为高血压菲律宾(c)
图3
观测值和预测值之间的散点图使用PCA-ANFIS BP反应模型。
3.7。PCA-Based二(PCA-LS-SVM)

正则化参数的最优值(γ)和方带宽(σ2)获得来自发达PCA-LS-SVM模型如下:(1) , (SBP反应在血压正常的受试者的预测)(2) , (SBP反应的预测高血压科目)(3) , (用于预测高血压反应类似的主题)

观测值和预测值之间的散点图PCA-LS-SVM如图的英国石油(BP)反应4(一)- - - - - -4 (c)揭示了最佳预测值的预测相比,PCA-FSWR, PCA-ANN, PCA-ANFIS模型。

(一)血压正常的SBP”name=
(一)血压正常的SBP
(b)高血压SBP”name=
(b)高血压SBP
为高血压菲律宾(c)”name=
为高血压菲律宾(c)
图4
观测值和预测值之间的散点图使用PCA-LS-SVM BP反应模型。

模型的统计指数的比较,如表所示4,表明PCA-LS-SVM模型的价值最高R2和RMSE值最低,日军BP预测的反应在正常血压和高血压科目夹紧双腿。
模型 血压正常的话题 高血压科目
SBP SBP 菲律宾
R2(%) RMSE 日军(%) R2(%) RMSE 日军(%) R2(%) RMSE 日军(%)
PCA-FSWR 29.05 2.21 40.33 38.35 3.66 48.35 37.21 1.49 22.72
PCA-ANN 55.67 0.67 26.25 60.11 0.74 30.39 67.91 0.57 14.63
PCA-ANFIS 75.42 0.67 17.39 84.81 0.44 6.74 84.26 0.44 5.06
PCA-LS-SVM 93.16 0.27 5.71 96.46 0.19 1.76 95.44 0.21 2.78
表4
统计指数提出的模型。

4所示。讨论

准确预测BP公司积分成功的决策,导致更好的病人护理。过高的英国石油(BP)会增加高血压患者的数量。他们会对药物的副作用,增加保险和治疗费用。此外,不准确的标签增加了疾病的看法和旷工56]。

标志着英国石油公司与海拔高度交叉腿位置可能是由于等距腿部肌肉的活动。等距活动增加血管阻力和总外周阻力(TPR)和英国石油公司(57]。显著上升的另一种解释BP与夹紧双腿易位的血容量依赖腿部血管床中央胸间,导致中风高体积,心输出量是由中风体积乘以心率。因此,中风体积的增加导致心输出量的增加(6]。

显然,这项工作表明,交叉腿坐姿SBP显著升高的血压正常的主题和SBP和高血压类似科目。类似的结论是由以前的研究发现(6- - - - - -12]。

此外,PCA-based混合计算模型提出了预测的BP反应夹紧双腿。我们所知,这是第一个研究,特别关注预测BP反应使用PCA-FSWR夹紧双腿,PCA-ANN PCA-ANFIS, PCA-LS-SVM模型。因此,与间接相关的预测结果进行了比较研究,如表所示5。
Ref。 模型 预测参数 结果
(26] 岭线性回归,安、支持向量机和随机森林 BGL,英国石油公司 随机森林方法优于岭线性回归,安,和支持向量机。R2= 0.91% (SBP),R2(菲律宾)= 0.89%,R2= 0.90% (BGL)
(28] 安(原始输入),安(特性),MAA,简称ANFIS(基于功能) SBP菲律宾 安(基于特征)实现最佳的性能比其他模型。SDE SBP的预测:美= 6.28,= 8.58。SDE预测类似:美= 5.73,= 7.33
(29日] 安 SBP菲律宾 实验结果证实了安的正确性与线性回归模型相比。均值±σSBP: 3.80±3.46, 2.21±2.09:类似。相对误差:SBP: 3.48±3.19。菲律宾:3.90±3.51
(32] 支持向量机与RBF和多项式的内核 SBP菲律宾 内核支持向量机(RBF)优于SVM(多项式内核)。相关系数(R)= 0.97 (SBP), 0.96(菲律宾)。RMSE = 6.94 (SBP)和5.78(菲律宾)。分散指数(SI) = 22.34 (SBP), 22.79(菲律宾)
(36] PCA-ANN、PCA-ANFIS PCA-LS-SVM SBP菲律宾 PCA-LS-SVM优于PCA-ANN PCA-ANFIS。
血压正常的主题:SBP:R2RMSE = 0.21 = 95.42%,日军= 5.88%。菲律宾:R2RMSE = 0.24 = 94.22%,日军= 4.05%。对高血压的主题:SBP:R2RMSE = 0.11 = 98.76%,日军= 0.88%。菲律宾:R2RMSE = 0.11 = 98.78%,日军= 0.84%
(37] PCA-SWR、PCA-ANN PCA-ANFIS, PCA-LS-SVM 菲律宾 PCA-LS-SVM优于PCA-FSWR、PCA-ANN PCA-ANFIS。血压正常的科目:R2RMSE = 0.1243 = 98.49%,日军= 3.01%。高血压的主题:R2RMSE = 0.2013 = 95.95%,日军= 2.9%
(58] 安,简称ANFIS和支持向量机 半干旱山区河流流 安相比较的结果,简称ANFIS,和支持向量机模型,发现的值R、均方根误差、平均绝对相对误差(母),和Nash-Sutcliffe (NS)的SVM模型比安和简称ANFIS的输入数据的组合
(59] 安,简称ANFIS 预测depths-to-water表提前一个月,在三个井位于不同距离 两种模型可以用于高水平的精度对模型水位没有显著影响的距离从河里,模型精度表示通过RMSE是大致相同的在所有三个案例(0.14154 - -0.15248)。R变化从0.91973到0.9623,效率系数从0.84588到0.92586 (COE)
(60] 安,简称ANFIS和支持向量机 纵向弥散系数(LDC) 支持向量机模型被发现比(R2= 90%)在预测LDC由于低不确定性与安(R2= 82%),简称ANFIS (R2= 83%)模型,简称ANFIS模型表现得比安模型
(61年] 多层感知器(MLP)、安、模糊遗传(FG),二、多元自适应回归样条(火星),简称ANFIS,多元线性回归(高)和史蒂芬斯和斯图尔特模型(SS) 蒸发在不同气候条件下 应用模型的精度等级为:延时,GRNN, LSSVM, FG, ANFIS-GP,火星,高钙
本研究 PCA-FSWR、PCA-ANN PCA-ANFIS, PCA-LS-SVM 英国石油(BP)反应性夹紧双腿 PCA-LS-SVM优于PCA-FSWR、PCA-ANN PCA-ANFIS。血压正常的主题:SBP:R2RMSE = 0.27 = 93.16%,日军= 5.71%。对高血压的主题:SBP:R2RMSE = 0.19 = 96.46%,日军= 1.76%。菲律宾:R2RMSE = 0.21 = 95.44%,日军= 2.78%
表5
与其他研究的结果比较。

在所有的研究中,软的更高的性能计算模型是来自更大程度比传统模型的鲁棒性和容错性。目前的研究工作的结果表明PCA-LS-SVM混合模型获得最佳回归模型的预测结果,因为坚定地基于统计学习理论;因此,它可以获得全局最优解,具有良好的泛化能力和低依赖样本数据。

本研究有很多的优点。我们使用小型、中型和大型袖口覆盖整个MUAC范围要求的参与者。不恰当的袖口大小导致低估或高估的基点。此外,加强测量的准确性,我们把三个读数的平均值每七天腿的位置(3]。

然而,任何单一的比较可靠地预测模型可能不代表真正的最终结果。至关重要的是评估的性能预测模型在外部验证研究使用更大的数据库。

5。结论

本文详细的混合计算模型,以预测BP反应交叉腿使用人体测量指标变量。通过消除多重共线性问题,主成分分析提供了更客观的解释人体测量指标变量用于预测。然后,PCA-FSWR PCA-ANN、PCA-ANFIS PCA-LS-SVM模型检测的BP预测个人电脑。发现PCA-LS-SVM模型实现的重大改进R2、RMSE和日军与其他模型相比。本研究工作为研究人员和工程师可能提供有价值的参考应用生物变量混合建模的计算方法。结果也可能有助于医生做出更准确的诊断高血压在临床实践中。我们未来的研究目标是研究一个方法通过结合不同的混合动力技术的输出更多的预测变量。此外,未来的研究工作将地址使用一个方法通过结合不同的混合模型的输出与更多的预测变量。

伦理批准

随后的过程都是按照道德标准的负责任的人体试验委员会(机构和国家)和1975年的赫尔辛基宣言,2008年修订的(5)。

知情同意是获得所有的参与者包括在这项研究中。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

  1. 乔治和a . b . Loanni”家庭血压监测高血压的诊断和治疗:系统回顾,“美国高血压杂志》上,24卷,不。2、123 - 134年,2011页。视图:出版商的网站|谷歌学术搜索
  2. d . w·琼斯和j . e .大厅,“高血压:成功的途径,”高血压,51卷,不。5,1249 - 1251年,2008页。视图:出版商的网站|谷歌学术搜索
  3. t·g·皮克林,j·e·霍尔,l . j . Appel et al .,“建议在人类和实验动物血压测量:第1部分:人体血压测量:一份声明中对专家小组的专业和公共教育的美国心脏协会高血压研究委员会”循环,卷111,不。5,697 - 716年,2005页。视图:出版商的网站|谷歌学术搜索
  4. b·威廉姆斯:r·波尔特·m·j·布朗et al .,“管理高血压指南:第四工作组报告2004 -黑洞IV英国高血压学会,”人类高血压杂志》,18卷,不。3、139 - 185年,2004页。视图:出版商的网站|谷歌学术搜索
  5. e . O ' brien r . Asmar l·贝林et al .,”欧洲高血压协会建议常规动态和家庭血压测量,”高血压杂志》,21卷,不。5,821 - 848年,2003页。视图:出版商的网站|谷歌学术搜索
  6. l . Foster-Fitzpatrick a·奥尔蒂斯h . Sibilano r·莱和l·t·布劳恩”交叉腿对血压测量的影响,“护理研究,48卷,不。2、105 - 108年,1999页。视图:出版商的网站|谷歌学术搜索
  7. g·l·彼得斯,s . k .粘结剂,n r·坎贝尔,“交叉双腿对血压的影响:一项随机单盲交叉研究,“血压监测,4卷,不。2、97 - 101年,1999页。视图:出版商的网站|谷歌学术搜索
  8. r . Keele-Smith和c . Price-Daniel交叉双腿对血压测量的影响,”临床护理研究,10卷,不。2、202 - 213年,2001页。视图:出版商的网站|谷歌学术搜索
  9. r . Pinar: Sabuncu, a . Oksay“交叉腿对血压的影响,”血压,13卷,不。4、252 - 254年,2004页。视图:出版商的网站|谷歌学术搜索
  10. a . Adiyaman n . Tosun l . d .弱电j . Deinum j·w·m .银行和t .梭”交叉双腿对血压的影响,“血压监测,12卷,不。3、189 - 193年,2007页。视图:出版商的网站|谷歌学术搜索
  11. l·f·范·格罗宁根a . Adiyaman l .弱电t .梭,j . w .银行和j . Deinum“生理机制负责增加血压在腿穿越?”高血压杂志》,26卷,不。3、433 - 437年,2008页。视图:出版商的网站|谷歌学术搜索
  12. r . Pinar r·沃森,“交叉双腿在高血压患者血压的影响主题,“临床护理杂志,19卷,不。9 - 10,1284 - 1288年,2010页。视图:出版商的网站|谷歌学术搜索
  13. d . g . Vidit r . s . Lang r . j . Seballos a . Misra-Hebert j·坎贝尔和j·f·希伯来文名字,“服用血压:信任对人类太重要?”克利夫兰诊所医学杂志》上,卷77,不。10日,683 - 688年,2010页。视图:出版商的网站|谷歌学术搜索
  14. f·d·福克斯·m·格斯·l·b·Moreira et al .,“人体测量指数和高血压的发病率:比较分析,“肥胖研究,13卷,不。9日,第1517 - 1515页,2005年。视图:出版商的网站|谷歌学术搜索
  15. d . c .莫泽i c·朱利亚诺·a·c·Titski戈雅,a。r . m . j . Coelho-e-Silva n·雷特,“人体测量和血压在学校孩子。”•Pediatria,卷89,不。3、243 - 249年,2013页。视图:出版商的网站|谷歌学术搜索
  16. 圆子,m . Masahide y二,“体重指数,血压,血糖和脂质代谢在永久和定期在制造业工人:横断面研究,“BMC公共卫生,14卷,不。207年1 - 8,2014页。视图:出版商的网站|谷歌学术搜索
  17. 美国娃娃,f . Paccaud·波维表m .燃烧的诉Wietlisbach,“身体质量指数,腹部肥胖,血压:一致性的协会在发展中国家和发达国家,“国际肥胖期刊和相关的代谢紊乱,26卷,不。1,48-57,2002页。视图:出版商的网站|谷歌学术搜索
  18. k . Bose a Ghosh、美国罗伊和s . Gangopadhyay”血压、腰围:一个实证研究腰围对血压的影响在孟加拉的男性Belur黄麻厂工人,西孟加拉邦,印度,”生理人类学和应用人类科学杂志》上,22卷,不。4、169 - 173年,2003页。视图:出版商的网站|谷歌学术搜索
  19. r·巴巴m . Koketsu m .长岛h . Inasaka m . Yoshinaga和m .横田,“青少年肥胖不利影响血压和心率休息,”循环杂志,卷71,不。5,722 - 726年,2007页。视图:出版商的网站|谷歌学术搜索
  20. k . Gurmanik a制成Shatru, j . k . Vijender”多层次支持向量机分类器在肌电图诊断。”圆柱交易信号处理,5卷,不。12日,第389 - 379页,2009年。视图:谷歌学术搜索
  21. m . r . Mohebian h·r·Marateb m . Mansourian m·A .明天和f . Mokarian”混合computer-aided-diagnosis系统预测乳腺癌复发(HPBCR)使用优化的整体学习,”计算和结构生物技术杂志15卷,第85 - 75页,2017年。视图:出版商的网站|谷歌学术搜索
  22. j·托马斯和p·r·特蕾莎,”人类心脏病预测系统使用数据挖掘技术,”学报》国际会议电路、电力和计算技术(ICCPCT)Nagercoil,印度,2016年3月。视图:出版商的网站|谷歌学术搜索
  23. e . w . Steyerberg a . j .维氏n r·库克et al。”评估预测模型的性能:一些传统的框架和小说措施,”流行病学,21卷,不。1,第138 - 128页,2010。视图:出版商的网站|谷歌学术搜索
  24. m . Vezzoli a . Ravaggi l .到et al .,“RERT:回归树方法预测子宫内膜癌患者,子宫外的疾病”科学报告,7卷,不。1、1 - 10,2017页。视图:出版商的网站|谷歌学术搜索
  25. 父亲p·约翰逊,l . Vandewater, w·威尔逊et al .,“遗传算法与逻辑回归预测发展为阿尔茨海默氏症,”BMC生物信息学,15卷,不。16日,1 - 14,2014页。视图:出版商的网站|谷歌学术搜索
  26. e . Monte-Moreno“非侵入性评估血糖和血压的photoplethysmograph通过机器学习技术,”人工智能在医学上,53卷,不。2、127 - 138年,2011页。视图:出版商的网站|谷歌学术搜索
  27. 美国Genc”,预测平均动脉血压与线性随机模型,”《IEEE年度国际会议在医学和生物工程协会(EMBC)美国,波士顿,MA, 2011。视图:出版商的网站|谷歌学术搜索
  28. m . Forouzanfar h·r·Dajani诉z Groza, m . Bolic和s . Rajan“基于神经网络的方法对示波的血压估计,“IEEE事务在仪表和测量,60卷,不。8,2786 - 2796年,2011页。视图:出版商的网站|谷歌学术搜索
  29. y Kurylyak、f . Lamonaca和d·格里马尔迪”连续血压评估神经网络方法从PPG信号,”IEEE国际仪器和测量技术研讨会论文集(I2MTC)2013年5月,明尼阿波利斯,美国。视图:出版商的网站|谷歌学术搜索
  30. h . f . Golino s . b . Amaral s . f . p . Duarte et al .,“使用机器学习预测血压上升,”肥胖杂志文章ID 637635卷,2014年,12页,2014。视图:出版商的网站|谷歌学术搜索
  31. h·h·黄、徐t和j .杨”比较逻辑回归、支持向量机和permanental分类方法在预测高血压,”BMC诉讼补充1卷。8日,S96.1-S96.5, 2014页。视图:出版商的网站|谷歌学术搜索
  32. s·m·汗,j . s . Manzoor和s·j·李,“预测学生血压由支持向量机使用Facebook”《IEEE国际代表大会上服务美国正义与发展党,安克雷奇,6 - 2014。视图:出版商的网站|谷歌学术搜索
  33. y . k . Barbe Kurylyak, f . Lamonaca”物流序数回归的校准示波的血压监测,“生物医学信号处理和控制11卷,第96 - 89页,2014年。视图:出版商的网站|谷歌学术搜索
  34. a·g·Floares“利用计算智能开发智能临床决策支持系统,”生物信息学和生物统计学计算智能方法卷,6160在计算机科学的课堂讲稿施普林格,页266 - 275年,柏林,海德堡,2010年。视图:谷歌学术搜索
  35. r·卡拉a舒克拉,r .女子,“比较分析检测的智能混合系统皮马印第安人糖尿病”《IEEE国际代表大会上自然和生物启发计算(NaBIC),Coimbatote,印度,2009。视图:出版商的网站|谷歌学术搜索
  36. k . Gurmanik a制成Shatru, j . k . Vijender”预测BP反应说使用混合的软计算方法,”计算和数学方法在医学文章ID 762501卷,2014年,13页,2014。视图:出版商的网站|谷歌学术搜索
  37. k . Gurmanik a制成Shatru, j . k . Vijender”使用混合模型来预测血压反应基于人体测量特征不受支持的,“前沿的信息技术和电子工程,16卷,不。6,474 - 485年,2015页。视图:出版商的网站|谷歌学术搜索
  38. 英国高血压学会,血压测量(cd - rom)BMJ书籍,伦敦,1998年。
  39. h . Beatriz p . Rafeal诉玛莉索,b·恩里克·f·j·曼努埃尔·f·路易斯,“冲积含水层中的地下水成分演化(Pisuerga河,西班牙)通过主成分分析,“水的研究,34卷,不。3、807 - 816年,2000页。视图:出版商的网站|谷歌学术搜索
  40. m·a·Pett n . r .马屁精和j·j·沙利文,理解因素分析:使用因子分析仪器发展的医疗研究加州、鼠尾草出版公司,2003。
  41. c .邯郸,d . Nilsun k . Arzu和k . Syddyk”,使用主成分得分的多元线性回归模型的预测并且在水库生态模型,卷181,不。4、581 - 589年,2005页。视图:出版商的网站|谷歌学术搜索
  42. d·a·杰克逊,“停止规则在主成分分析:比较试探性和统计方法,中止”生态,卷74,不。8,2204 - 2214年,1993页。视图:出版商的网站|谷歌学术搜索
  43. b . g . Tabachnick和l . s . Fidell使用多元统计,培生教育,伦敦,2006年。
  44. r .这m . a . Abdoli a . a . Ghasrodashti和m . j . Ghazizade”预测城市固体废物产生的支持向量机和主成分分析的组合:一个案例研究的马什哈德,”环境的进步与可持续能源,28卷,不。2、249 - 258年,2009页。视图:出版商的网站|谷歌学术搜索
  45. h . Wackernagel多元地质统计学:介绍与应用程序斯普林格出版社,纽约和伦敦,2010年。
  46. s . Chatterjee a·s·哈迪和价格,回归分析的例子威利,纽约,2004年。
  47. m·t·哈根和m . b . Menhaj”与马夸特算法训练前馈网络”,IEEE神经网络,5卷,不。6,989 - 993年,1994页。视图:出版商的网站|谷歌学术搜索
  48. 中情局Basheer和M . Hajmeer M。,“Artificial neural networks: fundamentals, computing, design, and application,”《微生物方法,43卷,不。1,3-31,2000页。视图:出版商的网站|谷歌学术搜索
  49. j·s·r·张成泽“简称ANFIS: adaptive-network-based模糊推理系统,”IEEE系统,人与控制论,23卷,不。3、665 - 685年,1993页。视图:出版商的网站|谷歌学术搜索
  50. a . j . Smola和b . Scholkopf基于内核的模式识别的方法,回归,近似算子反演,”Algorithmica,22卷,不。1 - 2、211 - 231年,1998页。视图:出版商的网站|谷歌学术搜索
  51. j . a . k . Suykens t . Van Gestel j .德布拉班特b . De沼泽和j·范德维尔最小二乘支持向量机,世界科学出版,伦敦,英国,2002年。
  52. j . Benesty j·陈,黄y”的重要性降噪的皮尔森相关系数”IEEE音频、语音和语言处理,16卷,不。4、757 - 765年,2008页。视图:出版商的网站|谷歌学术搜索
  53. i t . Jolliffe主成分分析施普林格,纽约,纽约,美国,2002年。
  54. p . r . Pares-Neto d·a·杰克逊和k·m·萨默斯”主成分多少?停止规则确定非平凡的轴的数量重新审视,“计算统计和数据分析卷,49号4、974 - 997年,2005页。视图:出版商的网站|谷歌学术搜索
  55. h·f·凯撒”,电子计算机的应用因素分析”,教育和心理测量,20卷,不。1,第151 - 141页,1960。视图:出版商的网站|谷歌学术搜索
  56. j .处理程序,“准确的血压测量的重要性,”Permanente日报,13卷,不。3,51-54,2009页。视图:出版商的网站|谷歌学术搜索
  57. j . Hisdal k . Toska t . Flatebo b·瓦尔和l . Walloe“人类动脉血压的调节在等长肌肉收缩和下身负压,”欧洲应用生理学杂志》上,卷91,不。2 - 3、336 - 341年,2004页。视图:出版商的网站|谷歌学术搜索
  58. h . Zhibin w .小虎,l·胡,d,“比较研究人工神经网络、自适应神经模糊推理系统和支持向量机预测河道水流在半干旱山区,”《水文卷,509年,第386 - 379页,2014年。视图:出版商的网站|谷歌学术搜索
  59. d . Nevenka d . Milka s Ruzica et al .,“比较地下水位模型的基于人工神经网络和简称ANFIS,”科学世界日报文章ID 742138卷,2015年,13页,2015。视图:出版商的网站|谷歌学术搜索
  60. n . Roohollah d志强、k·阿明和t . k .今天,”安有多可靠,简称ANFIS,和支持向量机技术预测天然河流纵向离散系数?”《水利工程,卷142,不。1,1 - 8,2016页。视图:出版商的网站|谷歌学术搜索
  61. w .我们午餐,k . Ozgur z . k .穆罕默德和g .益”比较六种不同的软计算方法在建模2蒸发在不同气候条件下,“水文和地球系统科学的讨论,1-51,2016页。视图:出版商的网站|谷歌学术搜索

版权©2017 Gurmanik Kaur et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点1280年
下载569年
引用

相关文章

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。