CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

A Hybrid Approach for Predicting Acute Hypotensive Episodes

اعتبار موردنیاز : ۱ | تعداد صفحات: ۹ | تعداد نمایش خلاصه: ۱۳۸۵ | نظرات: ۰
سرفصل ارائه مقاله: Electrical, Communication Engineering
سال انتشار: ۱۳۹۰
نوع ارائه: شفاهی
کد COI مقاله: SASTECH05_202
زبان مقاله: انگلیسی
حجم فایل: ۴۱۸.۹۷ کیلوبایت (فایل این مقاله در ۹ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۹ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله A Hybrid Approach for Predicting Acute Hypotensive Episodes

  M Hoseinnia - Department of Electrical Engineering Iran University of Science and Technology(IUST
A Sadr - Department of electrical engineering Iran univerrsity of Science & Technology

چکیده مقاله:

This paper describes a hybrid approach for long term prediction of mean arterial blood pressure signal in order to detect an acute hypotensive episode (AHE) during one hour forecasting window. An acute hypotensive episode is defined as any period of 30 minute or more during which at least 90% of the non-overlapping one minute averages of the arterial blood pressure waveform is under 60 mmHg. The proposed method is based on wavelet transform and time-delay embedding neural networks.The wavelet transform is implemented to decompose mean arterial blood pressure (MAP) time series into set of wavelet components. A recurrent neural network architecture with embedded memory is then applied to forecast the wavelet approximation coefficients which represent the trend of the time series. Wavelet detail components were predicted using local radial basis models with time varying parameters. To obtain the predicted MAP time series, the neural network outputs were recombined using the same wavelet technique.The effectiveness of this strategy is validated using 40 records of arterial blood pressure signals from Multi-parameter Intelligent Monitoring in Intensive Care II (MIMIC II) database . Simulation results revealed the reasonable forecasting accuracy in prediction of AHE in one hour forecasting window

کلیدواژه‌ها:

Acute Hypotensive Episode(AHE), Mean Arterial Blood Pressure(MAP), Neural Network ,Prediction, Wavelet Transform

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-SASTECH05-SASTECH05_202.html
کد COI مقاله: SASTECH05_202

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Hoseinnia, M & A Sadr, ۱۳۹۰, A Hybrid Approach for Predicting Acute Hypotensive Episodes, پنجمین کنفرانس بین المللی پیشرفتهای علوم و تکنولوژی, مشهد, موسسه آموزش عالی خاوران, https://www.civilica.com/Paper-SASTECH05-SASTECH05_202.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Hoseinnia, M & A Sadr, ۱۳۹۰)
برای بار دوم به بعد: (Hoseinnia & Sadr, ۱۳۹۰)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • V.Bui _ W. Zhu (2007). Long Horizon End-to-End Delay Forecasts: ...
  • E. Diaconescu, (200 8). The _ of NARX Neural Networks ...
  • "sAsrech 201 1, Khavaran Higher-education Institute, Mashhad, Iran. May 12-14. ...
  • A. Ghaffari , A. Jalali, (2009). Predicting Acute Hypotensive Episodes ...
  • L. Ghods , M. Kalantar, (2010). Long-Term Peak Demand Forecasting ...
  • R. H. Loh, (2003) .Time Series Forecast With Neural Network ...
  • L. Zhang, Z. Y. Dong, (2001) .An Adaptive Neural- Wavelet ...
  • L. Zhu.(2009). Nonlinear Time Series Prediction by Using RBF Network ...
  • W. Zong, T. Heldtl, (2003). An Open-source Algorithm to Detect ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۲۰۲۲۸
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
  • علوم پزشکی > فشار خون
  • اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.