Jun, 2024

COVID-19 严重性解释和人口特征症状分类的贝叶斯网络和机器学习

PDF
TL;DR利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。
covid-19bayesian networkunsupervised machine learningsymptom identificationvirus symptoms
发现论文，激发创造
  • 利用动态贝叶斯网络和神经网络对新冠病毒患者的病情严重程度进行分类

    本文使用动态贝叶斯网络和神经网络结合的方法，预测患者 40 小时内的生命体征和血液分析结果，并分类评估其疾病严重程度，以便将更有限的资源分配给需要重症监护的患者。

    Mar, 2023

  • 基于症状的机器学习模型用于 COVID-19 的早期检测：文献综述

    通过病人症状，临床数据和医疗成像的大数据集，机器学习模型能够分析预测 COVID-19，其中症状为基础的模型表现良好，但图像为基础的模型的精确度通常较高。

    Dec, 2023

  • 基于深度学习的多模式 COVID-19 症状检测和概率加权模式

    本文提出了一种多模式方法，通过结合现有的卷积神经网络深度学习分类器和一个新的考虑每种症状流行度的概率加权函数，以预测 COVID-19。实验结果表明，在考虑加权函数时，相比于等权重函数，我们的方法显著提高了 COVID-19 的检测效果。

    Sep, 2021

  • 学习和解释带有不对称标签的有向无环图：以 COVID-19 恐惧为案例研究

    本文引入了新的结构学习算法以扩展贝叶斯网络类别，提高其在 COVID-19 数据应用中的效率和准确性。

    Jan, 2023

  • COVIDHealth: 一个基于 Twitter 的数据集和基于机器学习的网络应用程序，用于分类 COVID-19 讨论

    开发了基于机器学习的网络应用程序，用于自动分类社交媒体上的 COVID-19 相关讨论，并提供了用于分类的基准结果。

    Feb, 2024

  • COVID-19 趋势预测的深度学习方法

    本研究开发了基于深度学习模型的方法来预测新冠疫情在美国的传播趋势，并通过门控循环单元结构整合了人口统计信息和疫情时间序列数据，最终确定了主导的人口统计因素。

    Aug, 2020

  • 基于卷积神经网络的人类疾病症状关系探索性分析

    本研究分析通过卷积神经网络和支持向量机预测疾病，并使用 K-Means 和主成分分析研究了疾病的歧义性，结果表明机器学习可以在疾病早期阶段对疾病进行 98-100% 准确的诊断。异常症状是诊断疾病的良好代理，同时也提高了疾病预测任务的准确性。

    Feb, 2023

  • 通过黑盒知识蒸馏的深度流行病学建模：COVID-19 的准确深度学习模型

    本文介绍了一种基于深度学习的黑盒知识蒸馏方法，用于对疾病传播进行准确和高效的预测，通过案例分析证明了该方法在有限观测数据条件下可以准确预测感染病例，具有较低的计算成本。

    Jan, 2021

  • 利用贝叶斯网络结合多模态数据和专家意见，稳健预测抑郁及其症状

    该研究使用贝叶斯网络的方法来预测抑郁症及其症状，包括从言语、面部表情和认知游戏数据中提取的特征，并生成可解释的模型预测，确定预测的不确定性，并自然地处理缺失数据。

    Nov, 2022

  • 利用机器学习对孟加拉国人口进行冠状病毒疾病情况分析和预测研究

    该研究使用机器学习模型创建了一个预测系统，旨在预测孟加拉国未来几天内的感染率和死亡率，并发现多层感知器模型具有比支持向量回归 (SVR) 和线性回归模型更可靠的预测能力。根据该模型的预测，孟加拉国可能面临另一次 COVID-19 攻击，其中感染案例数可能在 929 至 2443 之间，死亡案例数在 19 至 57 之间。

    Jul, 2022