Intelligent decision support for real time health care monitoring system
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F15%3A86097014" target="_blank" >RIV/61989100:27240/15:86097014 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/61989100:27740/15:86097014
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-13572-4_15" target="_blank" >http://dx.doi.org/10.1007/978-3-319-13572-4_15</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-13572-4_15" target="_blank" >10.1007/978-3-319-13572-4_15</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Intelligent decision support for real time health care monitoring system
Popis výsledku v původním jazyce
In the health care monitoring, data mining is mainly used for classification and predicting the diseases. Various data mining techniques are available for classification and predicting diseases. This paper analyzes and evaluates various classification techniques for decision support system and for assisting an intelligent health monitoring system. The aim of this paper is to investigate the experimental results of the performance of different classification techniques for classifying the data from different wearable sensors used for monitoring different diseases. The Base Classifiers Proposed used in this work are IBk, Attribute Selected Classifier, Bagging, PART, J48, LMT, Random Forest and the Random Tree algorithm. Experiments are conducted on wearable sensors vital signs data set, which was simulated using a hospital environment. The main focus was to reduce the dimensionality of the attributes and perform different comparative analysis and evaluation using various evaluation metho
Název v anglickém jazyce
Intelligent decision support for real time health care monitoring system
Popis výsledku anglicky
In the health care monitoring, data mining is mainly used for classification and predicting the diseases. Various data mining techniques are available for classification and predicting diseases. This paper analyzes and evaluates various classification techniques for decision support system and for assisting an intelligent health monitoring system. The aim of this paper is to investigate the experimental results of the performance of different classification techniques for classifying the data from different wearable sensors used for monitoring different diseases. The Base Classifiers Proposed used in this work are IBk, Attribute Selected Classifier, Bagging, PART, J48, LMT, Random Forest and the Random Tree algorithm. Experiments are conducted on wearable sensors vital signs data set, which was simulated using a hospital environment. The main focus was to reduce the dimensionality of the attributes and perform different comparative analysis and evaluation using various evaluation metho
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/ED1.1.00%2F02.0070" target="_blank" >ED1.1.00/02.0070: Centrum excelence IT4Innovations</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2015
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Advances in Intelligent Systems and Computing. Volume 334
ISBN
978-3-319-13571-7
ISSN
2194-5357
e-ISSN
—
Počet stran výsledku
10
Strana od-do
183-192
Název nakladatele
Springer
Místo vydání
Heidelberg
Místo konání akce
Addis Ababa
Datum konání akce
17. 11. 2014
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—