ترجمه فارسی مقاله کاهش پیشقدر جنسیتی در مدل‌های تشخیص الگوی تنفسی COPD مبتنی بر داده‌های صوتی و COVID-19

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Mitigating Sex Bias in Audio Data-driven COPD and COVID-19 Breathing Pattern Detection Models
عنوان مقاله به فارسی کاهش پیشقدر جنسیتی در مدل‌های تشخیص الگوی تنفسی COPD مبتنی بر داده‌های صوتی و COVID-19
نویسندگان Rachel Pfeifer, Sudip Vhaduri, James Eric Dietz
فرمت مقاله انگلیسی PDF
تعداد صفحات 4
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Sound,Audio and Speech Processing,یادگیری ماشین , پردازش صدا , صدا و گفتار ,
توضیحات Submitted 16 September, 2024; originally announced September 2024. , Comments: Accepted at 2024 IEEE-EMBS International Conference on Body Sensor Networks (IEEE BSN 2024)
توضیحات به فارسی ارائه شده 16 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: در کنفرانس بین المللی IEEE-EMBS در شبکه های سنسور بدن پذیرفته شده است (IEEE BSN 2024)
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In the healthcare industry, researchers have been developing machine learning models to automate diagnosing patients with respiratory illnesses based on their breathing patterns. However, these models do not consider the demographic biases, particularly sex bias, that often occur when models are trained with a skewed patient dataset. Hence, it is essential in such an important industry to reduce this bias so that models can make fair diagnoses. In this work, we examine the bias in models used to detect breathing patterns of two major respiratory diseases, i.e., chronic obstructive pulmonary disease (COPD) and COVID-19. Using decision tree models trained with audio recordings of breathing patterns obtained from two open-source datasets consisting of 29 COPD and 680 COVID-19-positive patients, we analyze the effect of sex bias on the models. With a threshold optimizer and two constraints (demographic parity and equalized odds) to mitigate the bias, we witness 81.43% (demographic parity difference) and 71.81% (equalized odds difference) improvements. These findings are statistically significant.

چکیده به فارسی (ترجمه ماشینی)

در صنعت مراقبت های بهداشتی ، محققان در حال تهیه مدل های یادگیری ماشین برای تشخیص خودکار بیماران مبتلا به بیماری های تنفسی بر اساس الگوهای تنفس خود هستند.با این حال ، این مدل ها تعصبات جمعیتی ، به ویژه تعصب جنسی را در نظر نمی گیرند ، که اغلب در هنگام آموزش مدل ها با یک مجموعه داده بیمار مبتلا به بیمار اتفاق می افتد.از این رو ، در چنین صنعت مهمی برای کاهش این تعصب ضروری است تا مدل ها بتوانند تشخیص عادلانه ای را انجام دهند.در این کار ، تعصب در مدل های مورد استفاده برای تشخیص الگوهای تنفس دو بیماری عمده تنفسی ، یعنی بیماری انسداد مزمن ریوی (COPD) و COVID-19 را بررسی می کنیم.با استفاده از مدلهای درخت تصمیم گیری که با ضبط های صوتی الگوهای تنفسی به دست آمده از دو مجموعه داده منبع باز متشکل از 29 بیمار COPD و 680 بیمار Covid-19 مثبت آموزش داده شده است ، ما تأثیر تعصب جنسی را بر روی مدل ها تجزیه و تحلیل می کنیم.با یک بهینه ساز آستانه و دو محدودیت (برابری جمعیت شناختی و شانس برابر) برای کاهش تعصب ، شاهد پیشرفت 81.43 ٪ (اختلاف برابری جمعیتی) و 71.81 ٪ (اختلاف شانس برابر) هستیم.این یافته ها از نظر آماری معنی دار هستند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.