Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/34033| Назва: | Методи і засоби аналітичного опрацювання відомостей щодо COVID-19 |
| Інші назви: | Methods and facilities of COVID-19 data analytical processing |
| Автори: | Ваник, Анастасія Геннадіївна Vanyk, Anastasia Gennadyevna |
| Приналежність: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м.Тернопіль, Україна |
| Бібліографічний опис: | Ваник А. Г. Методи і засоби аналітичного опрацювання відомостей щодо COVID-19 : дипломна робота магістра за спеціальністю „122 — комп’ютерні науки“ / А. Г. Ваник. — Тернопіль : ТНТУ, 2020. — 80 с. |
| Дата публікації: | 20-гру-2020 |
| Дата подання: | 22-гру-2020 |
| Дата внесення: | 19-січ-2021 |
| Країна (код): | UA |
| Науковий керівник: | Мацюк, Олександр Васильович |
| Члени комітету: | Гащин, Надія Богданівн |
| УДК: | 004.62 |
| Теми: | 122 комп’ютерні науки видобування mining дані data інструмент integration конфіденційність confidentiality опрацювання processing охорона здоров’я healthcare |
| Короткий огляд (реферат): | Кваліфікаційна робота присв’ячена дослідженню методів та засобів аналітичного опрацювання відомостей щодо COVID-19. В першому зафіксовано стан предметної області. Проаналізовано видобування даних щодо COVID-19. Висвітлено етапи попереднього їх опрацювання. В другому розділі досліджено методи видобування відомостей щодо COVID-19. Розглянуто збирання та попереднє опрацювання соціальних відомостей щодо COVID-19. Проаналізовано особливості інтеграції даних щодо COVID-19. Описано інструменти для видобування відомостей щодо COVID-19. В третьому розділі кваліфікаційної роботи досліджено злиття та видобування відомостей щодо COVID-19 отриманих з IoH-джерел. Описано використання штучного інтелекту для опрацювання відомостей щодо COVID-19. Проаналізовано методи навчання систем штучного інтелекту при діагностуванні COVID-19. У розділі «Охорона праці та безпека в надзвичайних ситуаціях» описано нормативні документи, які визначають дії роботодавця, працівник якого захворів на COVID-19 та підвищення стійкості роботи об’єктів господарської діяльності у воєнний час. The qualification work is devoted to the study of methods and means of analytical processing of information on COVID-19. In the first, the state of the subject area is recorded. Data extraction for COVID-19 was analyzed. The stages of their preliminary processing are highlighted. The second section examines the methods of extracting information on COVID-19. The collection and preliminary processing of social information on COVID-19 is considered. Peculiarities of data integration on COVID-19 are analyzed. Describes tools for extracting information about COVID-19. The third section of the qualification work examines the merging and extraction of information on COVID-19 obtained from IoH sources. The use of artificial intelligence to process information on COVID-19 is described. Methods of teaching artificial intelligence systems in diagnosing COVID-19 are analyzed. The section "Occupational health and safety in emergencies" describes the regulations that define the actions of the employer, whose employee fell ill with COVID-19 and increase the resilience of economic activities in wartime. |
| Зміст: | ВСТУП ... 11 1 АКТУАЛЬНІСТЬ АНАЛІТИЧНОГО ОПРАЦЮВАННЯ ВІДОМОСТЕЙ ЩОДО COVID-19 ...13 1.1 Стан предметної області ...13 1.2 Видобування даних щодо COVID-19 ...19 1.3 Попереднє опрацювання відомостей щодо COVID-19 ...21 1.4 Висновок до першого розділу ...24 2 ТЕХНІКИ ВИДОБУВАННЯ ДАНИХ ЩОДО COVID-19 ...25 2.1 Методи видобування відомостей щодо COVID-19...25 2.1.1 Класифікація даних щодо COVID-19 ...26 2.1.2 Дерева рішень при опрацюванні відомостей щодо COVID-19 ... 26 2.1.3 Викоистання нейронних мереж для опрацювання відомостей щодо COVID-19 ...27 2.1.4 Логістична регресія та метод K-найближчих сусідів (K-NN) при опрацюванні даних щодо COVID-19 ...28 2.1.5 Підтримка векторної машини (SVM) при опрацюванні відомостей щодо COVID-19 ...29 2.1.6 Генетичні алгоритми при опрацюванні даних щодо COVID-19 ...29 2.1.7 Мережа Байєа при опрацюванні відомостей щодо COVID-19 ... 30 2.1.8 Апріорі-алгоритм ...31 2.1.9 Кластеризація даних щодо COVID-19 ...31 2.1.10 Асоціація відомостей щодо COVID-19 ...32 2.1.11 Прихований розподіл Діріхле ...33 2.2 Збирання та попереднє опрацювання соціальних відомостей щодо COVID-19 ...34 2.3 Особливості інтеграції даних щодо COVID-19 ...35 2.3.1 Шифрування COVID-19 даних ...35 2.3.2 Забезпечення конфіденційності відомостей щодо COVID-19 .... 36 2.3.3 Анонімізація даних ...37 2.4 Інструменти для видобування відомостей щодо COVID-19 ...38 2.5 Висновок до другого розділу ...40 3 ПРАКТИКИ ВИКОРИСТАННЯ АНАЛІТИЧНИХ ІНСТРУМЕНТІВ ДЛЯ ОПРАЦЮВАННЯ ВІДОМОСТЕЙ ЩОДО COVID-19 ...41 3.1 Злиття та видобування відомостей щодо COVID-19 отриманих з IoH-джерел ...41 3.2 Використання штучного інтелекту для опрацювання відомостей щодо COVID-19 ...48 3.3 Методи навчання систем ШІ при діагностуванні COVID-19 ...51 3.3.1 Контрольоване навчання ...51 3.3.2 Неконтрольоване навчання ...53 3.3.3 Підкріплення навчання ...54 3.4 Порівняльна характеристика методів навчання систем ШІ ...56 3.5 Методи глибинного навчання та COVID-19 ...57 3.6 Висновок до третього розділу ...59 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ ...60 4.1 Аналіз нормативних документів, які визначають дії роботодавця, працівник якого захворів на COVID-19 ...60 4.2 Підвищення стійкості роботи об’єктів господарської діяльності у воєнний час ...63 ВИСНОВКИ ...65 ПЕРЕЛІК ДЖЕРЕЛ ...66 ДОДАТКИ |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/34033 |
| Власник авторського права: | © Ваник Анастасія Геннадіївна, 2020 |
| Перелік літератури: | 1 Abdulsalam Yassine, Shailendra Singh, Atif Alamri. “Mining Human Activity Patterns From Smart Home Big Data for Health Care Applications”, IEEE Access, 2020. 2 Zhang, Qingguo, et al. "Multi-Source Medical Data Integration and Mining for Healthcare Services." IEEE Access 8 (2020): 165010-165017. 3 S. Din and A. Paul, ‘‘Smart health monitoring and management system: Toward autonomous wearable sensing for Internet of Things using big data analytics,’’ Future Gener. Comput. Syst., vol. 111, p. 939, Feb. 2020. 4 N. C. Benda, T. C. Veinot, C. J. Sieck, and J. S. Ancker, ‘‘Broadband Internet access is a social determinant of health!,’’ Amer. J. Public Health, vol. 110, no. 8, pp. 1123–1125, Aug. 2020. 5 E. Sillence, J. M. Blythe, P. Briggs, and M. Moss, ‘‘A revised model of trust in Internet-based health information and advice: Cross-sectional questionnaire study,’’ J. Med. Internet Res., vol. 21, no. 11, Nov. 2019, Art. no. e11125. 6 K. Szulc and M. Duplaga, ‘‘The impact of Internet use on mental wellbeing and health behaviours among persons with disability,’’ Eur. J. Public Health, vol. 29, no. 4, pp. 185–425, Nov. 2019. 7 Centers for Disease Control and Prevention Mental Health and Coping During COVID-19|CDC. Available online: https://www.cdc.gov/coronavirus/ 2019-ncov/daily-life-coping/managing-stress-anxiety.html (2020). 8 Kirzinger, A.; Kearney, A.; Hamel, L.; Brodie, M. KFF Health Tracking Poll-Early April 2020: The Impact of Coronavirus on Life in America; KFF: Oakland, CA, USA, 2020; pp. 1–30. 9 Zhou, C.; Su, F.; Pei, T.; Zhang, A.; Du, Y.; Lu, B.; Cao, Z.; Wang, J.; Yuan, W.; Zhu, Y.; et al. COVID-19: Challenges to GIS with Big Data. Geogr. Sustain. 2020, 1, 77–87. Available online: https://www.sciencedirect. com/science/article/pii/S2666683920300092 (2020). 67 10 Mollalo, A.; Vahedi, B.; Rivera, K.M. GIS-based spatial modeling of COVID-19 incidence rate in the continental United States. Sci. Total Environ. 2020, 728, 138884. 11 Jahanbin, K.; Rahmanian, V. Using twitter and web news mining to predict COVID-19 outbreak. Asian Pac. J. Trop. Med. 2020, 26–28. 12 Coppersmith, G.; Dredze, M.; Harman, C. Quantifying Mental Health Signals in Twitter. In Proceedings of the Workshop on Computational Linguistics and Clinical Psychology: From Linguistic Signal to Clinical Reality. Association for Computational Linguistics, Baltimore, MA, USA, 27 June 2014; pp. 51–60. Available online: http://aclweb.org/anthology/W14-3207 (2020). 13 De Choudhury, M.; Counts, S.; Horvitz, E. Predicting postpartum changes in emotion and behavior via social media. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, Paris, France, 27 April–2 May 2013. 14 Feldman, R. Techniques and applications for sentiment analysis. Commun. ACM 2013, 56, 89. 15 Yu, Y.; Duan, W.; Cao, Q. The impact of social and conventional media on firm equity value: A sentiment analysis approach. Decis. Support Syst. 2013, 55, 919–926. 16 Zhou, X.; Tao, X.; Yong, J.; Yang, Z. Sentiment analysis on tweets for social events. In Proceedings of the 17th International Conference on Computer Supported Cooperative Work in Design CSCWD, Whistler, BC, Canada, 27–29 June 2013; pp. 557–562. 17 Go, A.; Bhayani, R.; Huang, L. Twitter Sentiment Classification using Distant Supervision. Processing 2009, 1, 2009. 18 Pratama, B.Y.; Sarno, R. Personality classification based on Twitter text using Naïve Bayes, KNN and SVM. In Proceedings of the 2015 International Conference on Data and Software Engineering (ICoDSE), Yogyakarta, Indonesia, 25–26 November 2015; pp. 170–174. Available online: 68 https://www.semanticscholar.org/paper/Personality-classification-based-on-Twitter -text-PratamaSarno/6d8bf96e65b9425686bde3405b8601cc8c4f2779#references (2020). 19 Chen, Y.; Yuan, J.; You, Q.; Luo, J. Twitter Sentiment Analysis via Bi-sense Emoji Embedding and Attention-based LSTM. In Proceedings of the 26th ACM International Conference on Multimedia, Seoul, Korea, 22–26 October 2018; ACM Press: New York, NY, USA, 2018; pp. 117–125. 20 Barbosa, L.; Feng, J. Robust sentiment detection on twitter from biased and noisy data. In Proceedings of the Coling 2010 23rd International Conference on Computational Linguistics, Beijing, China, 23–27 August 2010. 21 Pak, A.; Paroubek, P. Twitter as a Corpus for Sentiment Analysis and Opinion Mining. IJARCCE 2016, 5, 320–322. 22 Abadi, M.; Agarwal, A.; Barham, P.; Brevdo, E.; Chen, Z.; Citro, C.; Corrado, G.S.; Davis, A.; Dean, J.; Devin, M.; et al. TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. Available online: https://arxiv.org/abs/1603.04467 (2020). 23 Jin, C.; Zhang, S. Micro-blog Short Text Clustering Algorithm Based on Bootstrapping. In Proceedings of the 12th International Symposium on Computational Intelligence and Design, Hangzhou, China, 14–15 December 2019; pp. 264–266. 24 Bhosale, S.; Sheikh, I.; Dumpala, S.H.; Kopparapu, S.K. End-to-End Spoken Language Understanding: Bootstrapping in Low Resource Scenarios. Proc. Interspeech 2019, 1188–1192. 25 Mihalcea, R.; Banea, C.; Wiebe, J. Learning Multilingual Subjective Language via Cross-Lingual Projections. In Proceedings of the 45th Annual Meeting of the Association of Computational Linguistics, Prague, Czech Republic, 23–30 June 2007; pp. 976–983. 69 26 Asghar, M.Z.; Ahmad, S.; Qasim, M.; Zahra, S.R.; Kundi, F.M. SentiHealth: Creating health-related sentiment lexicon using hybrid approach. SpringerPlus 2016, 5. 27 Duda, O; Kunanets, N; Matsiuk, O; Pasichnyk, V; Rzheuskyi, A: Aggregation, Storing, Multidimensional Representation and Processing of COVID-19 Data. 2021 | book-chapter, DOI: 10.1007/978-3-030-63270-0_60. 28 Ogundele I.O, Popoola O.L, Oyesola O.O, Orija K.T, “A Review on Data Mining in Healthcare”, International Journal of Advanced Research in Computer Engineering & Technology (IJARCET) Volume 7, Issue 9, September 2018. 29 Duda O. et al., Mobile information system for monitoring the spread of viruses in smart cities. Vìsnik Nacìonalʹnogo unìversitetu "Lʹvìvsʹka polìtehnìka". Serìâ Ìnformacìjnì sistemi ta merežì. DOI: 10.23939/sisn2020.08.065. 30 Pooja H , Dr. Prabhudev Jagadeesh M P , “A Collective Study of Data Mining Techniques for the Big Health Data available from the Electronic Health Records”, IEEE Xplore, 2019. 31 Wencheng Sun, Zhiping Cai1, Fang Liu, Shengqun Fang, Guoyan Wang, “A Survey of Data Mining Technology on Electronic Medical Records”, 19th International Conference on eHealth Networking, Applications and Services, 2017 IEEE. 32 Geetha Guttikonda, MadhaviLatha Pandala, Madhavi Katamaneni, “Diabetes Data Prediction Using Spark and Analysis in Hue Over Big Data”, Proceedings of the Third International Conference on Computing Methodologies and Communication (ICCMC 2019). 33 Mario W. L. Moreira , Joel J. P. C. Rodrigues , Senior Member, Valery Korotaev, Jalal Al-Muhtadi, and Neeraj Kumar, “A Comprehensive Review on Smart Decision Support Systems for Health Care”, 2019 IEEE. 34 Sandeep Yadav, Aman Jain, Deepti Singh, “Early Prediction of Employee Attrition using Data Mining Techniques”, IEEE, 2018. 70 35 Alramzana Nujum Navaz, Elfadil Mohammed, Mohamed Adel Serhani and Nazar Zaki. ”The Use of Data Mining Techniques to Predict Mortality and Length of Stay in an ICU”, 12th International Conference on Innovations in Information Technology (IIT), 2016. 36 Pooja H., Dr. Prabhudev Jagadeesh M. P., A Collective Study of Data Mining Techniques for the Big Health Data available from the Electronic Health Records, 2019 IEEE. 37 D. Usha Rani, “ A survey on Data Mining Tools and Techniques in Medical Field”, International Journal of Advanced Networking & Applications (IJANA), Volume: 08, Issue: 05 Pages: 51-54 (2017) Special Issue, TECHSA-17. 38 Blei, D.M.; Ng, A.Y.; Jordan, M.I. Latent dirichlet allocation. J. Mach. Learn. Res. 2003, 3, 993–1022. 39 Ramage, D.; Manning, C.D.; Dumais, S. Partially labeled topic models for interpretable text mining. In Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Diego, CA, USA, 21–24 August 2011. 40 Passos, A.; Wallach, H.M.; Mccallum, A. Correlations and Anticorrelations in LDA Inference. In Proceedings of the Challenges in Learning Hierarchical Models: Transfer Learning and Optimization NIPS Workshop, Granada, Spain, 16–17 December 2011; pp. 1–5. 41 Yazdavar, A.H.; Al-Olimat, H.S.; Ebrahimi, M.; Bajaj, G.; Banerjee, T.; Thirunarayan, K.; Pathak, J.; Sheth, A. Semi-Supervised Approach to Monitoring Clinical Depressive Symptoms in Social Media. In Proceedings of the 2017 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining, Sydney, Australia, 31 July–3 August 2017; pp. 1191–1198. 42 Loper, E.; Bird, S. NLTK: The Natural Language Toolkit. arxiv.org. 2002. Available online: http://portal.acm. org/citation.cfm?doid=1118108.1118117 (2020). 71 43 API Reference—TextBlob 0.16.0 Documentation. Available online: https://textblob.readthedocs.io/en/dev/api_reference.html#textblob.blob.TextBlob. sentiment (2020). 44 Ver Steeg, G.; Galstyan, A. Discovering structure in high-dimensional data through correlation explanation. Adv. Neural Inf. Process Syst. 2014, 1, 577–585. 45 Li, Diya, Harshita Chaudhary, and Zhe Zhang. "Modeling spatiotemporal pattern of depressive symptoms caused by COVID-19 using social media data mining." International Journal of Environmental Research and Public Health 17.14 (2020): 4988. 46 Loper, E.; Bird, S. NLTK: The Natural Language Toolkit. In Proceedings of the ACL-02 Workshop on Effective Tools and Methodologies for Teaching Natural Language Processing and Computational linguistics, Philadelphia, PA, USA, 12 July 2002. 47 Ver Steeg, G.; Galstyan, A. Maximally informative hierarchical representations of high-dimensional data. J. Mach. Learn. Res. 2015, 38, 1004–1012. 48 Ji, S.; Li, G.; Li, C.; Feng, J. Efficient interactive fuzzy keyword search. In Proceedings of the 18th International Conference World Wide Web. Association for Computing Machinery, New York, NY, USA, 20–24 April 2009; pp. 371–380. 49 A Fast, Offline Reverse Geocoder in Python. Available online: https://github.com/thampiman/reversegeocoder (2020). 50 Full List of US States and Cities. Available online: https://github.com/grammakov/USA-cities-and-states (2020). 51 Costa, Joao Pita, et al. "Meaningful Big Data Integration for a Global COVID-19 Strategy." IEEE Computational Intelligence Magazine 15.4 (2020): 51-61. 72 52 He, Yongqun, et al. "CIDO, a community-based ontology for coronavirus disease knowledge and data integration, sharing, and analysis." Scientific Data 7.1 (2020): 1-5. 53 Korn, Daniel, et al. "COVID-KOP: Integrating Emerging COVID-19 Data with the ROBOKOP Database." Bioinformatics (2020). 54 Guidotti, Emanuele, and David Ardia. "COVID-19 data hub." Journal of Open Source Software 5.51 (2020): 2376. 55 Ohannessian, Robin, Tu Anh Duong, and Anna Odone. "Global telemedicine implementation and integration within health systems to fight the COVID-19 pandemic: a call to action." JMIR public health and surveillance 6.2 (2020): e18810. 56 Schwarz, Marius, et al. "COVID-19 and the academy: It is time for going digital." Energy research & social science 68 (2020): 101684. 57 Vidal-Alaball, Josep, et al. "Telemedicine in the face of the COVID-19 pandemic." Atencion primaria 52.6 (2020): 418. 58 Kandel, Nirmal, et al. "Health security capacities in the context of COVID-19 outbreak: an analysis of International Health Regulations annual report data from 182 countries." The Lancet (2020). 59 Fahey, Robert A., and Airo Hino. "COVID-19, digital privacy, and the social limits on data-focused public health responses." International Journal of Information Management 55 (2020): 102181. 60 Whitelaw, Sera, et al. "Applications of digital technology in COVID-19 pandemic planning and response." The Lancet Digital Health (2020). 61 T. Peng, Y. Lin, X. Yao, and W. Zhang, ‘‘An efficient ranked multi-keyword search for multiple data owners over encrypted cloud data,’’ IEEE Access, vol. 6, pp. 21924–21933, 2018. 62 H. Dai, Y. Ji, G. Yang, H. Huang, and X. Yi, ‘‘A privacy-preserving multi-keyword ranked search over encrypted data in hybrid clouds,’’ IEEE Access, vol. 8, pp. 4895–4907, 2020. 73 63 T. V. Xuan Phuong, G. Yang, W. Susilo, F. Guo, and Q. Huang, ‘‘Sequence aware functional encryption and its application in searchable encryption,’’ J. Inf. Secur. Appl., vol. 35, pp. 106–118, Aug. 2017. 64 Z. Xia, X. Wang, X. Sun, and Q. Wang, ‘‘A secure and dynamic multikeyword ranked search scheme over encrypted cloud data,’’ IEEE Trans. Parallel Distrib. Syst., vol. 27, no. 2, pp. 340–352, Feb. 2016. 65 M. He, M. Chang, and X. Wu, ‘‘A collaborative filtering recommendation method based on differential privacy,’’ J. Comput. Res. Develop., vol. 54, no. 7, pp. 1439–1451, 2017. 66 T. Wang and S. He, ‘‘An improved collaborative filtering recommendation algorithm with differentially privacy,’’ Inf. Secur. Technol., vol. 7, no. 4, pp. 26–28, 2016. 67 Z. Xian, Q. Li, X. Huang, J. Lu, and L. Li, ‘‘Differential privacy protection for collaborative filtering algorithms with explicit and implicit trust,’’ Acta Electronica Sinica, vol. 46, no. 12, pp. 3050–3059, 2018. 68 C. Yin, L. Shi, R. Sun, and J. Wang, ‘‘Improved collaborative filtering recommendation algorithm based on differential privacy protection,’’ J. Supercomput., vol. 76, no. 7, pp. 5161–5174, Jul. 2020. 69 Y. Xiao, L. Xiong, S. Zhang, and Y. Cao, ‘‘LocLok: Location cloaking with differential privacy via hidden Markov model,’’ Proc. VLDB Endowment, vol. 10, no. 12, pp. 1901–1904, Aug. 2017. 70 S. Yang, J. Xu, X. Yang, and X. Ren, ‘‘Bayesian network-based highdimensional crowdsourced data publication with local differential privacy,’’ Scientia Sinica Informationis, vol. 49, no. 12, pp. 1586–1605, Dec. 2019. 71 J.Wang,Z.Cai,Y.Li,D.Yang,J.Li,andH.Gao,‘‘Protectingqueryprivacy with differentially private k-anonymity in location-based services,’’ Pers. Ubiquitous Comput., vol. 22, no. 3, pp. 453–469, Jun. 2018. 74 72 S. Zhang, X. Li, Z. Tan, T. Peng, and G. Wang, ‘‘A caching and spatialK-anonymity driven privacy enhancement scheme in continuous location-based services,’’ Future Gener. Comput. Syst., vol. 94, pp. 40–50, May 2019. 73 F. Casino, J. Domingo-Ferrer, C. Patsakis, D. Puig, and A. Solanas, ‘‘A k-anonymous approach to privacy preserving collaborative filtering,’’ J. Comput. Syst. Sci., vol. 81, no. 6, pp. 1000–1011, Sep. 2015. 74 P. Zhao, J. Li, F. Zeng, F. Xiao, C. Wang, and H. Jiang, ‘‘ILLIA: Enabling k -anonymity-based privacy preserving against location injection attacks in continuous LBS queries,’’ IEEE Internet Things J., vol. 5, no. 2, pp. 1033–1042, Apr. 2018. 75 S.-H. Wang, Y. Zhang, Y.-J. Li, W.-J. Jia, F.-Y. Liu, M.-M. Yang, and Y.-D. Zhang, ‘‘Single slice based detection for Alzheimer’s disease via wavelet entropy and multilayer perceptron trained by biogeography-based optimization,’’ Multimedia Tools Appl., vol. 77, no. 9, pp. 10393–10417, May 2018. 76 S. Wang, J. Sun, I. Mehmood, C. Pan, Y. Chen, and Y. Zhang, ‘‘Cerebral micro-bleeding identification based on a nine-layer convolutional neural network with stochastic pooling,’’ Concurrency Comput., Pract. Exper., vol. 32, no. 1, Jan. 2020, Art. no. e5130. 77 Y.-D. Zhang, V. V. Govindaraj, C. Tang, W. Zhu, and J. Sun, ‘‘High performance multiple sclerosis classification by data augmentation and AlexNet transfer learning model,’’ J. Med. Imag. Health Informat., vol. 9, no. 9, pp. 2012–2021, Dec. 2019. 78 Y. Zhang, S. Wang, Y. Sui, M. Yang, B. Liu, H. Cheng, J. Sun, W. Jia, P. Phillips, and J. M. Gorriz, ‘‘Multivariate approach for Alzheimer’s disease detection using stationary wavelet entropy and predator-prey particle swarm optimization,’’ J. Alzheimer’s Disease, vol. 65, no. 3, pp. 855–869, Sep. 2018. 79 C. Kang, X. Yu, S.-H. Wang, D. Guttery, H. Pandey, Y. Tian, and Y. Zhang, ‘‘A heuristic neural network structure relying on fuzzy logic for images 75 scoring,’’ IEEE Trans. Fuzzy Syst., early access, Jan. 13, 2020, doi: 10. 1109/TFUZZ.2020.2966163. 80 S.-H. Wang, Y.-D. Zhang, M. Yang, B. Liu, J. Ramirez, and J. M. Gorriz, ‘‘Unilateral sensorineural hearing loss identification based on doubledensity dual-tree complex wavelet transform and multinomial logistic regression,’’ Integr. Comput.-Aided Eng., vol. 26, no. 4, pp. 411–426, Sep. 2019. 81 Bindiya M K, Dr. Ravikumar, Dr. Mohan H. S., “Monitoring the appliances used in health care using Medical Big Data”, Proceedings of the International Conference on Inventive Computation Technologies(ICICT-2018). 82 M. Durairaj, V. Ranjani, “Data Mining Applications In Healthcare Sector: A Study”, International Journal of Scientific & Technology Research” Volume 2, October 2013. 83 WEKA. The workbench for machine learning, https://www.cs.waikato.ac.nz/ml/weka/. 84 KEEL. ASSET DATA MANAGEMENT & ASSET INTEGRITY SERVICES, https://keelsolution.com/. 85 R for Data Science: Welcome, https://r4ds.had.co.nz/. 86 KNIME | Open for Innovation, https://www.knime.com/. 87 RapidMiner | Best Data Science & Machine Learning Platform, https://rapidminer.com/. 88 Orange Data Mining - Data Mining, https://orange.biolab.si/. 89 WS-DREAM. Web Service QoS Datasets, http://inpluslab.com/wsdream/. 90 Murdoch TB and Detsky AS. The inevitable application of big data to health care. JAMA 309: 1351–2, 2013. 91 Kolker E, Özdemir V, and Kolker E. How Healthcare can refocus on its Super-Customers (Patients, n =1) and Customers (Doctors and Nurses) by Leveraging Lessons from Amazon, Uber, and Watson. OMICS 20:329–33, 2016. 76 92 Dilsizian SE and Siegel EL. Artificial intelligence in medicine and cardiac imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep, 16:441, 2014. 93 Xu X, Chen P, and Wang J. Evolution of the novel coronavirus from the ongoing Wuhan outbreak and modeling of its spike protein for risk of human transmission. Sci China Life Sci. DOI: 10.1007/s11427-0201637-5, 2020. 94 Huang C, Wang Y and Li X. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet. Doi: 10.1016/S01406736(20)30183-5, 2020. 95 Chan JF-W, Yuan S and Kok K-H. A familial cluster of pneumonia associated with the 2019 novel coronavirus indicating person-to-person transmission: a study of a family cluster. Lancet. Doi: 101016/S01406736(20)30154-9, 2020. 96 Latif J, Xiao C, Imran A. and Tu S. Medical Imaging using Machine Learning and Deep Learning Algorithms: A Review, 2019 2nd International Conference on Computing, Mathematics and Engineering Technologies (iCoMET), Sukkur, Pakistan, pp. 1-5, 2019. 97 Yang Y. and Chen T. Analysis and Visualization Implementation of Medical Big Data Resource Sharing Mechanism Based on Deep Learning, in IEEE Access, vol. 7, pp. 156077-156088, 2019. 98 Zhao H, Li G. and Feng W. Research on Application of Artificial Intelligence in Medical Education, 2018 International Conference on Engineering Simulation and Intelligent Control (ESAIC), Changsha, 2018, pp. 340-342. 99 Al-Turjman F, Nawaz M.H. and Ulusar U.D. Intelligence in the Internet of Medical Things era: A systematic review of current and future trends, Computer Communications, doi: https://doi.org/10.1016/j.comcom.2019.12.030, (2019). 77 100 Chan, Yung-Kuan, Yung-Fu Chen, Tuan Pham, Weide Chang, and Ming-Yuan Hsieh. 2018. Artificial Intelligence in Medical Applications. Journal of Healthcare Engineering, 4827875. https://doi.org/10.1155/2018/4827875. 101 Administration UFaD. Guidance for industry: electronic source data in clinical investigations. [Online] Available: https://www. fda. gov/ downloads/drugs/ guidances/ ucm328691. 102 Hussain, Adedoyin Ahmed, et al. "AI techniques for COVID-19." IEEE Access 8 (2020): 128776-128795. 103 Gillies RJ, Kinahan PE, Hrica and H. Radiomics. Images are more than pictures, they are data. Radiology, 278:563–77, 2016. 104 Li CY, Liang GY and Yao WZ. Integrated analysis of long noncoding RNA competing interactions reveals the potential role in progression of human gastric Cancer. Int J Oncol 48:1965–76, 2016. 105 Shin H, Kim KH and Song C. Electro-diagnosis support system for localizing neural injury in an upper limb. J Am Med Inform Assoc, 17:345–7, 2010. 106 Karakülah G, Dicle O and Koşaner O. Computer based extraction of phenotypic features of human congenital anomalies from the digital literature with natural language processing techniques. Stud Health Technology Inform, 205:570–4, 2014. 107 Becky McCall. COVID-19 and artificial intelligence: protecting health-care workers and curbing the spread. Published by Elsevier Ltd. Doi: 10.1016, S2589-7500(20)30054-6. 2020. 108 Commissioner O of the. Statement from FDA Commissioner Scott Gottlieb, M.D. on steps toward a new, tailored review framework for artificial intelligence-based medical devices. FDA. [Online] Available: https://news-events/press-announcements/statement-fdacommissioner-scott-gottlieb-mdsteps, 2019. 78 109 Al-Turjman F. Intelligence and security in big 5G-oriented IoNT: An overview. Elsevier Future Generation Computer Systems 102, 357–368 2019. 110 Bedford J, Enria D, Giesecke J, Heymann D.L, Ihekweazu C, Kobinger V, Lane H. C, Memish V, Oh M.D and Schuchat A. COVID-19: towards controlling of a pandemic, Lancet 395 (10229) (2020) 1015– 1018, 2020. 111 Chollet F. Xception: deep learning with depthwise separable convolutions, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1251–1258, 2017. 112 Matar G, Lina J.-M, and Kaddoum G. Artificial neural network for inbed posture classification using bed-sheet pressure sensors, IEEE Journal of biomedical and health informatics, no. 10, pp. 101–110, 2020. 113 Gozes O, Frid-Adar M, Greenspan H, Browning PD, Zhang H, Ji W, Bernheim A and Siegel E. Rapid AI development cycle for the Coronavirus (COVID-19) pandemic: initial results for automated detection & patient monitoring using deep learning CT image analysis. arXiv preprint arXiv:2003.05037. 2020. 114 Anurag Ranjan, Varun Jampani, Lukas Balles, Kihwan Kim, Deqing Sun, Jonas Wulff, and Michael J Black. Competitive collaboration: Joint unsupervised learning of depth, camera motion, optical flow and motion segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 12240–12249, 2019. 115 Anurag Ranjan, Varun Jampani, Lukas Balles, Kihwan Kim, Deqing Sun, Jonas Wulff, and Michael J Black. Competitive collaboration: Joint unsupervised learning of depth, camera motion, optical flow and motion segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 12240–12249, 2019. 116 Alex Zihao Zhu, Liangzhe Yuan, Kenneth Chaney, and Kostas Daniilidis. Unsupervised event-based learning of optical flow, depth, and 79 egomotion. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 989–997, 2019. 117 Al-Turjman F., Mohammed Zaki Hasan and Hussain Al-Rizzo. Task scheduling in cloud-based survivability applications using swarm optimization in IoT. Wiley special issue article, 2018. 118 Wan KH, Huang SS, Young A and Lam DS. Precautionary measures needed for ophthalmologists during pandemic of the coronavirus disease 2019 (COVID-19). Acta Ophthalmol, 2020. 119 Li L, Qin L, Xu Z, Yin Y, Wang X, Kong B, Bai J, Lu Y, Fang Z, Song Q and Cao K. Artificial intelligence distinguishes COVID-19 from community-acquired pneumonia on chest CT. Radiology: 200905, 2020. 120 E. M. Forman, S. G. Kerrigan, M. L. Butryn, A. S. Juarascio, S. M. Manasse, S. Ontan˜on, D. H. Dallal, R. J. Crochiere, and D. Moskow. Can the artificial intelligence technique of reinforcement learning use continuously-monitored digital data to optimize treatment for weight loss?. Journal of Behavioral Medicine, pp. 1–15, 2018. 121 Wim Naude. Artificial Intelligence against COVID-19: An Early Review. [Online] Available: https://towardsdatascience.com/artificialintelligence-against-covid-19-an-early-review-92a8360edaba. 2020. 122 Max Smolaks. Deep learning systems can speed up diagnosis of Covid-19 patients. [Online] Available: https://aibusiness.com/deep-learningsystems-can-identify-covid-19-infections-on-x-rays/. 2020. 123 Закон України Про захист населення від інфекційних хвороб (Відомості Верховної Ради України (ВВР), 2000, № 29, ст. 228), https://zakon.rada.gov.ua/laws/show/1645-14#Text. 124 Стаття 44-3. Порушення правил щодо карантину людей, https://protocol.ua/ua/kodeks_ukraini_pro_administrativni_pravoporushennya_stattya_44_3_1/. 80 125 Кабінет міністрів України. Постанова від 17 квітня 2019 р. № 337. Про затвердження Порядку розслідування та обліку нещасних випадків, професійних захворювань та аварій на виробництві, https://zakon.rada.gov.ua/laws/show/337-2019-%D0%BF#Text. 126 Державна служба України з питань праці, https://dsp.gov.ua/. 127 Конспект лекцій дисципліни «Цивільний захист і охорона праці в галузі», змістовний модуль «Цивільний захист», для студентів усіх спеціальностей та всіх форм навчання / Укл.: М. О. Журавель – Запоріжжя: НУ «Запорізька політехніка». Каф. ОП і НС, 2020 р. – 49 с. 128 Стручок, Володимир Сергійович, Олена Степанівна Стручок, and Дарія Володимирівна Мудра. "Навчальний посібник до написання розділу дипломного проекту та дипломної роботи ″Безпека в надзвичайних ситуаціях ″для студентів всіх спец. денної, заочної (дистанційної) та екстернатної форм навчання." (2017). |
| Тип вмісту: | Master Thesis |
| Розташовується у зібраннях: | 122 — комп’ютерні науки |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| Mag_2020_SNm_Vanyk_A_G.pdf | 1,42 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора