این مقاله انگلیسی در نشریه آی تریپل ای در 10 صفحه در سال 2009 منتشر شده و ترجمه آن 25 صفحه بوده و آماده دانلود رایگان می باشد.
دانلود رایگان مقاله انگلیسی (pdf) و ترجمه فارسی (pdf + word) | |
عنوان فارسی مقاله: |
داده کاوی تلفن همراه برای پشتیبانی از بهداشت و درمان هوشمند |
عنوان انگلیسی مقاله: |
Mobile Data Mining for Intelligent Healthcare Support |
دانلود رایگان مقاله انگلیسی | |
دانلود رایگان ترجمه با فرمت pdf | |
دانلود رایگان ترجمه با فرمت ورد |
مشخصات مقاله انگلیسی و ترجمه فارسی | |
فرمت مقاله انگلیسی | |
سال انتشار | 2009 |
تعداد صفحات مقاله انگلیسی | 10 صفحه با فرمت pdf |
نوع نگارش | مقاله پژوهشی (Research article) |
نوع ارائه مقاله | کنفرانس |
رشته های مرتبط با این مقاله | پزشکی – مهندسی صنایع – مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله | بهداشت عمومی – انفورماتیک پزشکی – داده کاوی – مهندسی الگوریتم ها و محاسبات – مهندسی نرم افزار |
چاپ شده در مجله (ژورنال)/کنفرانس | کنفرانس بین المللی سالانه هاوایی در علوم سیستم (HICSS) |
کلمات کلیدی | داده کاوی – خدمات پزشکی – تجزیه و تحلیل داده ها – تحلیل عملکرد – مدلسازی زمینه – حسگرهای زیستی – نظارت بر بیمار – منطق فازی – نوسانات – گوشی های موبایل |
کلمات کلیدی انگلیسی | Data mining – Medical services – Data analysis – Performance analysis – Context modeling – Biosensors – Patient monitoring – Fuzzy logic – Fluctuations – Mobile handsets |
ارائه شده از دانشگاه | مرکز سیستم های توزیع شده و مهندسی نرم افزار، دانشگاه موناش |
شناسه دیجیتال – doi | https://doi.org/10.1109/HICSS.2009.309 |
لینک سایت مرجع | https://ieeexplore.ieee.org/document/4755589/authors#authors |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
نشریه | آی تریپل ای – IEEE |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | 25 صفحه با فونت 14 B Nazanin |
فرمت ترجمه مقاله | pdf و ورد تایپ شده با قابلیت ویرایش |
وضعیت ترجمه | انجام شده و آماده دانلود رایگان |
کیفیت ترجمه |
مبتدی (مناسب برای درک مفهوم کلی مطلب) |
کد محصول | F2118 |
بخشی از ترجمه |
آگاهی از زمینه یک پیشنیاز کلیدی در سیستمهای نظارت بر سلامت است که عملیاتهای مستقل را بدون مداخلهی بیمار فعال میکند و تصمیم گیری حرفهایها به روی وضعیت بیمار را بهبود میبخشد [9] . با این حال تحقیقات محدودی وجود دارند که تلاش کردهاند تا آگاهی از زمینه و یا فراهم سازی یک نمایندگی عمومی و رسمی از زمینه را به طور کامل نشان دهند. یکی از کارها در زمینه مراقبتهای تلفن همراه که با هر دو مورد آگاهی از زمینه و انطباق در بخش [13] ارائه شد اما مقاله در مورد آن جزئیاتی را فراهم نکرد که چگونه و در چه زمانی استراتژیهای انطباق به کار گرفته شدهاند. مطالعات در زمینه پردازش جریان دادهها [14-15] خصوصاً درباره برنامه هستند و روی حوزههای محدودی از تحقیقات تمرکز میکنند. یک برخورد کلی برای تحلیل به صرفه و هوشمندانه از دادهها برای سیستمهای مراقبت تلفن همراه در آخرین پیشرفتهای علمی معرفی نشده است و هنوز هم یک موضوع باز میباشد. 3. پردازش انطباقی آگاه از وضعیت (SAAP) در جریانهای داده موتور FSI ، آگاهی از وضعیت را با استفاده از اصول منطق فازی فراهم میکند. مانیتور منابع (RM) یک مؤلفه نرم افزار است که به طور پیوسته منابع موجود مانند حافظه در دسترس و استفاده از باتری را مانیتور میکند و میزان در دسترس بودن آنها را به موتور انطباق گزارش میکند. موتور انطباق (AE) نسبت به تنظیم تدریجی پارامترهای پردازش جریان دادهها در زمان واقعی مسئول میباشد که بر اساس وضعیتهای وقوع و منابع در دسترس است. لایهی SAAP در بالای الگوریتمهای جریان داده کاوی ساخته میشود که روی دستگاههای تلفن همراه اجرا میگردد و آنها را با انطباق آگاه از وضعیت مجهز میکند. بخش بعدی تکنیک FSI را مورد بحث و بررسی قرار میدهد. 4. استنتاج وضعیت فازی 1. 4 مدل فضاهای زمینه 2. 4 مدل سازی موقعیت 3. 4 استدلال موقعیت 1 . 3 .4 وزن و سطح ِمشارکت. اولین تکنیک استدلال از CS بر اساس وزن ویژگیهای زمینه و سطح اعتماد در ارزش ِویژگیها میباشد. وزنها به ویژگیهای زمینه اختصاص دارند و به طور نسبی اهمیت هر ویژگی زمینه را با استنباط یک وضعیت نشان میدهند. سطح اعتماد به هر عنصر اختصاص داده میشود و چگونگی ارتباط عنصر را با موقعیت مدل شده منعکس میکند. در این اکتشاف، تابع توزیعی که سطح توزیع را محاسبه میکند در یک سطح مفهومی ارائه میشود و پیاده سازی آن بعداً در یک تکنیک استدلال ثانویه بر اساس بی دقتی سنسور معرفی میشود. 2 . 3 . 4 بی دقتی سنسور. برای این که محاسباتی خودکار از سطح توزیع در زمان اجرا فراهم شود، روش استدلال ثانویه CS از تأثیر بی دقتی سنسور و عدم اطمینان به صورت یک فاکتور مشخص کننده استفاده میکند که برای محاسبه سطح توزیع میباشد. این روش احتمال یک ارزش صحیح از ویژگی زمینه a ̂_i^tرا محاسبه میکند که در بخش 〖 A〗_iقرار گرفته است. برای محاسبه ارزش احتمالی که بر اساس عدم قطعیت یک سنسور میباشد ، عدم قطعیت در خواندن (برای مثال 95%) برای نشان دادن ارزش احتمال استفاده میشود (برای مثال 0.95). |