增强可穿戴传感器数据分析,用于患者健康监测,使用相关数据差异技术和多实例集体感知器学习

科学领域:

• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学
• 医疗信息学 医疗信息学

背景情况:

• 可穿戴传感器 (WS) 系统监控患者的运动,并通过定期传感检测异常.
• 传感器数据间隔和序列的变化使分析复杂化,导致精度降低.
• 现有的方法与传感器数据在不同监测期间的不恒定性作斗争.

研究的目的:

• 为分析不同的可穿戴传感器数据序列提出联合数据差异技术 (ADDT).
• 提高患者监测系统的精度和可靠性.
• 通过先进的数据分析来提高诊断准确度.

主要方法:

• 开发了盟军数据差异技术 (ADDT) 来识别监测序列中的差异.
• 使用多实例集成感知器学习,用于数据要求决策.
• 集成替换和预测临床和以前的传感器值,以提高准确性.

主要成果:

• ADDT有效地识别了临床和传感器读数之间的数据差异.
• 集成感应器选择最大临床值相关的传感器数据,用于高序列预测.
• 该系统通过定期更新来实现更高的诊断精度.

结论:

• 拟议的ADDT显著改善了可变可穿戴传感器数据的分析.
• 基于WS的监测的诊断准确性通过以诊断为重点的联盟来提高.
• ADDT提供了一个强大的解决方案,用于精确的患者监测和及时诊断.