ترکیب داده کاوی، یادگیری ماشین و آمارهای سنتی برای تشخیص نشانه های زیستی مربوط به افسردگی
واتساپ:09141077352 همراه: 09141077352 ثابت: 35250068-041 سفارش سمینار و مقاله سفارش ترجمه تخصصی
 

دانلود فایل با شمار فاکتور

لطفا شماره فاکتور خود را درج نمایید


جدیدترین لغات واژه‌نامه

آمار بازدیدکنندگان

بازدید امروز :27
بازدید روز گذشته :92
بازدید این هفته :338
بازدید این ماه :2613
مجموع آمار بازدید ها :783766

عنوان محصول: ترکیب داده کاوی، یادگیری ماشین و آمارهای سنتی برای تشخیص نشانه های زیستی مربوط به افسردگی

دسته‌بندی: مقالات ترجمه شده رشته کامپیوتر
تاریخ انتشار: پنج شنبه 27 مرداد 1396
ترکیب داده کاوی، یادگیری ماشین و آمارهای سنتی  برای تشخیص نشانه های زیستی مربوط به افسردگی ترکیب داده کاوی، یادگیری ماشین و آمارهای سنتی  برای تشخیص نشانه های زیستی مربوط به افسردگی
توضیحات مختصر: پیشینه تکنیک های داده کاوی مقیاس بزرگ نظری با استفاده از الگوریتم های یادگیری ماشین وعده ی آنالیز مجموعه داده های بزرگ اپیدمیولوژیکی را می دهند. این مطالعه، کاربرد متدولوژی ترکیبی را برای انتخاب متعیر را نشان می دهد که گم شدن داده ها و طراحی پیچیده برای شناسایی نشانه های زیستی کلیدی مربوط به افسرد...
ترکیب داده کاوی، یادگیری ماشین و آمارهای سنتی  برای تشخیص نشانه های زیستی مربوط به افسردگی ترکیب داده کاوی، یادگیری ماشین و آمارهای سنتی برای تشخیص نشانه های زیستی مربوط به افسردگی


قیمت قیمت : 45000 تومان
تخفیف تخفیف: 3000 تومان
تخفیف تخفیف ویژه : 10 درصد
قیمت نهایی قیمت نهایی: 37500 تومان
651 بازدید
کد مقاله: TTC- 3280
نوع فایل : docx
لینک دانلود فایل خریداری شده بلافاصله بعد از خرید موفق فعال خواهد شد.
Journal: 0 2015,

Fusing Data Mining, Machine Learning and Traditional Statistics to Detect Biomarkers Associated with Depression
Abstract
Background Atheoretical large-scale data mining techniques using machine learning algorithms have promise in the analysis of large epidemiological datasets. This study illustrates the use of a hybrid methodology for variable selection that took account of missing data and complex survey design to identify key biomarkers associated with depression from a large epidemiological study. Methods The study used a three-step methodology amalgamating multiple imputation, a machine learning boosted regression algorithm and logistic regression, to identify key biomarkers associated with depression in the National Health and Nutrition Examination Study (2009– 2010). Depression was measured using the Patient Health Questionnaire-9 and 67 biomarkers were analysed. Covariates in this study included gender, age, race, smoking, food security, Poverty Income Ratio, Body Mass Index, physical activity, alcohol use, medical conditions and medications. The final imputed weighted multiple logistic regression model included possible confounders and moderators. Results After the creation of 20 imputation data sets from multiple chained regression sequences, machine learning boosted regression initially identified 21 biomarkers associated with depression. Using traditional logistic regression methods, including controlling for possible confounders and moderators, a final set of three biomarkers were selected. The final three biomarkers from the novel hybrid variable selection methodology were red cell distribution width (OR 1.15; 95% CI 1.01, 1.30), serum glucose (OR 1.01; 95% CI 1.00, 1.01) and total bilirubin (OR 0.12; 95% CI 0.05, 0.28). Significant interactions were found between total bilirubin with Mexican American/Hispanic group (p = 0.016), and current smokers (p0.001). Conclusion The systematic use of a hybrid methodology for variable selection, fusing data mining techniques using a machine learning algorithm with traditional statistical modelling, accounted for missing data and complex survey sampling methodology and was demonstrated to be a useful tool for detecting three biomarkers associated with depression for future hypothesis generation: red cell distribution width, serum glucose and total bilirubin.

چکیده
پیشینه تکنیک های داده کاوی مقیاس بزرگ نظری با استفاده از الگوریتم های یادگیری ماشین وعده ی آنالیز مجموعه داده های بزرگ اپیدمیولوژیکی را می دهند. این مطالعه، کاربرد متدولوژی ترکیبی را برای انتخاب متعیر را نشان می دهد که گم شدن داده ها و طراحی پیچیده برای شناسایی نشانه های زیستی کلیدی مربوط به افسردگی را از مطالعه ی بزرگ اپیدمیولوژیکی در نظر می گیرد. متدها این مطالعه از متدولوژی سه مرحله ای ادغام چند اسناد، الگوریتم رگرسیون تقویت شده با یادگیری ماشین و رگرسیون منطقی برای شناسایی نشانه های زیستی کلیدی مربوط به افسردگی در مطالعات آزمون تغذیه و سلامت ملی (2010-2009) استفاده می کند. افسردگی با استفاده از پرسشنامه ی 9 سلامت بیمار ارزیابی می شود و 67 نشانه ی زیستی تجزیه و تحلیل می شوند. متغیرهای کمکی در این مطالعه شامل جنسیت، سن، نژاد، استعمال دخانیات، امنیت غذایی، نسبت درآمد فقر، شاخص توده بدن، فعالیت فیزیکی، مصرف الکل، شرایط طبی و داروها می باشند. مدل رگرسیون منطقی چندگانه ی وزن دار ضمنی نهایی شامل عوامل مخدوش کننده و تعدیل کننده ها است. نتایج بعد از ایجاد 20 مجموعه داده ی اسنادی از چندین دنباله رگرسیون زنجیروار، رگرسیون تقویت شده با یادگیری ماشین در ابتدا به شناسایی 21 نشانه ی زیستی مرتبط با افسردگی پرداخت. با استفاده از متدهای رگرسیون منطقی سابق، که شامل کنترل عوامل مخدوش کننده و تعدیل کننده های احتمالی است، مجموعه ی نهایی سه نشانه زیستی انتخاب شدند. سه نشانه ی زیستی نهایی از متدولوژی انتخاب متغیر ترکیبی جدید شامل عرض توزیع سلول قرمز (OR 1.15; 95% CI 1.01, 1.30)، گلوکز سرم (OR 1.01; 95% CI 1.00, 1.01) و کل بیلی روبین (OR 0.12; 95% CI 0.05, 0.28) بودند. برهم کنش های قابل توجهی بین کل بیلی روبین با گروه مکزیکی امریکایی/اسپانیایی (p = 0.016)، و استعمال کننده های دخانیات (p = 0.016) بدست آمدند. نتیجه گیری کاربرد سیستماتیک متدولوژی ترکیبی برای انتخاب متغیر، با ادغام تکنیک های داده کاوی با استفاده از الگوریتم یادگیری ماشین با مدل سازی آماری سنتی، برای متدولوژی نمونه برداری بررسی پیچیده و داده های از قلم افتاده در نظر گرفته شده است و بعنوان ابزار مفیدی برای تشخیص سه نشانه ی زیستی مربوط به افسردگی برای تولید فرضیه ی آتی نشان داده شده است: عرض توزیع سلول قرمز، گلوکز سرم و مجموع بیلی روبین.
تعداد صفحات انگلیسی تعداد صفحات انگلیسی:23 صفحه
تعداد صفحات فارسی تعداد صفحات فـارسـی:36 صفحه

  • آدرس: تبریز، آبرسان، مهرگان چهارم
  • تلفن  تماس: 09016347107
  • تلفن  ثابت : 35250068-041
  •  Mailttcenterاین آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید : آدرس  ایمیل
  • @zoodyab :آدرس تلگرام
مرکز  تخصصی  تلاش ترجمه از  سال  1385 شروع به کار نموده است  و تا کنون بیش از ده هزار ترجمه در رشته ها و زمینه های مختلف توسط متخصصین این مرکز انجام  شده  است.

تمامی ترجمه‌های انجام شده توسط موسسه تخصصی تلاش ترجمه، به صورت دستی (غیرماشینی) بوده و توسط مترجمین با سابقه انجام می‌شوند. ترجمه‌های انجام شده توسط موسسه تلاش ترجمه در قالب فایل Word و به صورت کاملا روان و بازخوانی شده و با ضمانت بازگشت وجه 72 ساعته (در صورت عدم رضایت از ترجمه) خدمت مشتریان محترم ارائه می‌شود.