.png){kind=icon}
返回
Interpretable machine learning models for COPD ease of breathing estimation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11517-025-03285-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
慢性阻塞性肺疾病（COPD）是全球主要的死亡原因之一，并且显著降低了生活质量。研究表明，利用远程监测能够改善生活质量并减少急性加重，但这仍是一个持续研究的领域。我们介绍了一种用于估算COPD患者呼吸难度变化的新方法，该方法利用通过可穿戴设备收集的阻塞性呼吸数据。记录的生理信号包括呼吸气流、加速度、音频和生物阻抗。通过比较患者特定的测量数据，该方法实现了非侵入性的远程监测。我们分析了信号选择、窗口参数、特征工程和分类模型对预测性能的影响，发现加速度信号最为有效，辅以音频信号。最佳模型的F1得分为0.83。为促进临床应用，我们通过设计新颖的显著性图方法来融入可解释性，以突出信号的重要方面。我们将局部可解释技术应用于时间序列，并引入了一种针对周期性信号的新型插补方法，提高了对数据的忠实度和可解释性。
Keyword:
Chronic obstructive pulmonary disease (COPD)
Respiratory monitoring
Interpretability
Machine learning
Time series classification
期刊
M
IF:
2.6
论文数:
311
被引数:
7.7K
机构
引用论文
A Personalized Respiratory Disease Exacerbation Prediction Technique Based on a Novel Spatio-Temporal Machine Learning Architecture and Local Environmental Sensor Networks.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏
Machine Learning Algorithms Utilizing Functional Respiratory Imaging May Predict COPD ExacerbationsACADEMIC RADIOLOGY
ACADEMIC RADIOLOGYIF3.9
PREAI
分享收藏Review of Artificial Intelligence Techniques in Chronic Obstructive Lung Disease人工智能技术在慢性阻塞性肺疾病中的研究进展
PREAI
分享收藏
查看更多内容