文献

J-GLOBAL ID：201702227190549076   整理番号：17A0179601

不完全心電図時系列予測【Powered by NICT】

Incomplete electrocardiogram time series prediction

著者 (7件)： Shi Weiwei (School of Microelectronics, Shanghai Jiao Tong University, Shanghai, China) ,  Zhu Yongxin (School of Microelectronics, Shanghai Jiao Tong University, Shanghai, China) ,  Yu Philip S. (Department of Computer Science, University of Illinois at Chicago, Chicago, USA) ,  Liu Mengyun (School of Microelectronics, Shanghai Jiao Tong University, Shanghai, China) ,  Wang Guoxing (School of Microelectronics, Shanghai Jiao Tong University, Shanghai, China) ,  Qian Zhiliang (School of Microelectronics, Shanghai Jiao Tong University, Shanghai, China) ,  Lian Yong (School of Microelectronics, Shanghai Jiao Tong University, Shanghai, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： BioCAS  ページ： 200-203  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ビッグデータの有病率は,多くの実際的な応用における複数情報源からの時系列データに基づく運転実践をもたらした。時系列データ危機の基本的目的,時系列の予測分析は,計画と意思決定のための不可欠な部分である。しかし,生の時系列データに基づく予測解析はほとんどは満足すべきものである欠測値は,通常,生データ試料に関与しているとして,従来の回帰モデルの収集した完全な時系列予測問題を処理するために利用できる。不完全生の時系列データをもつより高い予測精度を達成するために,本論文では,ISM(選択的テンソルモデリングとマルチカーネル学習に基づく不完全時系列予測)と呼ばれる新しいフレームワークを提案した。ISMは三段階から構成されている。最初に,マルチソース時系列を融合(fusion)させると,選択的テンソルは最も適切な生データセットから構成されている。第二選択的テンソルは,複数情報源全体の一般的な潜在因子を抽出するためにスパース性制約を持つISMによる因数分解である。最後に,これらの因子はマルチカーネル学習の訓練特徴,マルチソース回帰モデルを構築するために有効な方法として役立つ。心電図データセット上での包括的実験により,提案フレームワークISMは,欠落データを用いた時系列予測の優れた性能を達成することを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 因数分解 ,  テンソル ,  意思決定 ,  回帰モデル ,  罹患率 ,  制約条件 ,  *心電図 ,  情報源
準シソーラス用語： スパース性 ,  予測精度 ,  欠測値 ,  予測解析 ,  時系列データ ,  ビッグデータ ,  *時系列予測 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 心電図 ,  時系列予測