TWM605334U - 醫療穿戴裝置發展決策系統 - Google Patents
醫療穿戴裝置發展決策系統 Download PDFInfo
- Publication number
- TWM605334U TWM605334U TW109212156U TW109212156U TWM605334U TW M605334 U TWM605334 U TW M605334U TW 109212156 U TW109212156 U TW 109212156U TW 109212156 U TW109212156 U TW 109212156U TW M605334 U TWM605334 U TW M605334U
- Authority
- TW
- Taiwan
- Prior art keywords
- optimistic
- conservative
- coordinates
- evaluation
- cognitive
- Prior art date
Links
- 238000011161 development Methods 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 91
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000010586 diagram Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims abstract description 4
- 230000001149 cognitive effect Effects 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 5
- 230000001364 causal effect Effects 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 description 18
- 238000013461 design Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- NKZWHPWGLZLGMH-UHFFFAOYSA-N 2-n,7-n-bis(3-aminopropyl)-1,8-naphthyridine-2,7-diamine Chemical compound C1=CC(NCCCN)=NC2=NC(NCCCN)=CC=C21 NKZWHPWGLZLGMH-UHFFFAOYSA-N 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011005 laboratory method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本創作提供一種醫療穿戴裝置發展決策系統包含問卷及數據演算裝置，問卷具有複數評估項目；數據演算裝置接收並儲存評估項目之區間數值及評估尺度；篩選分析程式針對區間數值進行篩選及分析，以產生檢視評估項目是否具有共識之評估圖表；數據演算裝置根據評估圖表將具共識的評估項目之評估尺度，利用總平均及正規化運算產生影響關係矩陣，並將影響關係矩陣轉換形成用於呈現各評估項目間影響程度關聯性因果圖；關鍵因素演算程式將影響關係矩陣演算處理為超級矩陣，對超級矩陣之各行向量進行加總，以獲得各項指標權重之關鍵因素排序。
Description
本創作係關於一種分析系統，尤指一種醫療穿戴式裝置之發展決策分析系統。
按，高齡化社會來臨，如今醫療服務發展轉為以慢性疾病為主，如高血壓、糖尿病、心臟衰竭等，所述疾病具有不定時發病的可能，且相關治療費用也持續增加，因此如何達成早期發現與預防的效果，而達到降低醫療支出的目的，是為目前大家關注的焦點。
目前有相關業者開發醫療穿戴式裝置，以提供高齡患者隨時穿戴身上，以即時監控穿戴者的多種身體狀況，且所述醫療穿戴式裝置會收集穿戴者的身體資訊，並回傳到醫院的中央資料庫進行管理及追蹤，可以協助長者及家人掌握健康狀況，且有利於穿戴者在發病初期，醫院能即時採取適當的因應措施。
然而，如今醫療穿戴式裝置的開發技術，無法準確地分析出未來產品的發展決策，藉以開發出的產品無法有效地符合現實需求，進而無法讓消費者所能接受，據以如何準確地分析出醫療穿戴式裝置的發展決策，有待相關業者解決之。
為解決上述課題，本創作提供一種醫療穿戴裝置發展決策系統，其能以消費者與專家的觀點，探討各類型醫療穿戴式裝置之產品設計的關鍵因素，提供未來醫療穿戴式相關裝置的研究發展參考。
本創作之一項實施例提供一種醫療穿戴裝置發展決策系統，其包含：一數據演算裝置，其能顯示一問卷，問卷具有複數評估項目，各評估項目提供專家進行評估，所述評估項目設有一區間數值及一評估尺度；數據演算裝置具有一輸入模組、一資料庫及一處理模組，輸入模組接收對應所述評估項目輸入之區間數值及評估尺度，輸入模組將接收之所述區間數值及所述評估尺度儲存於資料庫；其中，處理模組具有一篩選分析程式，篩選分析程式針對所述區間數值進行篩選及分析，以統整出一評估圖表，評估圖表用於檢視所述評估項目是否具有共識；處理模組具有一決策分析程式，決策分析程式根據評估圖表，將具共識的所述評估項目之評估尺度，利用總平均及正規化運算，以產生一影響關係矩陣，處理模組將影響關係矩陣轉換形成一因果圖，因果圖呈現各評估項目間的影響程度關聯性；處理模組具有一關鍵因素演算程式，關鍵因素演算程式將影響關係矩陣演算處理形成一超級矩陣，且關鍵因素演算程式對超級矩陣之各行向量進行加總，以獲得各項指標權重之一關鍵因素排序。
藉此，本創作以消費者與專家的觀點，利用數據演算裝置之各項程式，以客觀地篩選符合各類型醫療穿戴式裝置發展的評估項目，並將各評估項目轉換成因果圖，以提供開發人員評估各評估項目間的影響程度關聯性，作為未來發展的決策考量。
再者，本創作數據演算裝置能將各項評估項目轉換成產品設計的關鍵因素排序，藉以開發人員可以依據關鍵因素排序，以提供醫療穿戴式相關裝置的未來發展與客製化設計之效益。
為便於說明本創作於上述新型內容一欄中所表示的中心思想，茲以具體實施例表達。實施例中各種不同物件係按適於說明之比例、尺寸、變形量或位移量而描繪，而非按實際元件的比例予以繪製，合先敘明。
請參閱圖1至圖2所示，本創作提供一種醫療穿戴裝置發展決策系統100，其包含：
一問卷10，其具有複數評估項目，各評估項目提供專家進行評估，所述評估項目設有一區間數值及一評估尺度；其中，各評估項目係為消費者行為模式，於本創作實施例中，問卷10為電子問卷。
一數據演算裝置20，其將問卷10顯示，於本創作實施例中，數據演算裝置20為電腦終端。數據演算裝置20具有一輸入模組21、一資料庫22及一處理模組23，其中，專家藉由數據演算裝置20之輸入模組21，依據問卷10之各評估項目進行評估，專家對應各評估項目輸入之區間數值及評估尺度，專家評估完後，輸入模組21會將接收之所述區間數值及所述評估尺度儲存於資料庫22。
處理模組23具有一篩選分析程式231，篩選分析程式231利用模糊德爾菲方式(Fuzzy Delphi methods，簡稱FDMs)針對區間數值進行篩選及分析，以統整出一評估圖表30；請參閱圖2所示，評估圖表30設有一橫座標軸31及一縱座標軸32，橫座標軸31表示為區間數值之認知值，縱座標軸32表示為區間數值之隸屬度，而篩選分析程式231在演算過程中，係將各區間數值分別演算產生複數保守座標及複數樂觀座標，再將保守座標與樂觀座標分別整合於評估圖表30中，接著篩選分析程式231將各保守座標連線圍成之一保守區域A，而各樂觀座標連線圍成之一樂觀區域B，且樂觀區域B與保守區域A部分交疊。
各區間數值分別設定有一保守範圍及一樂觀範圍，保守範圍係指專家對該評估項目量化分數的最小範圍值，樂觀範圍係指專家對評估項目量化分數的最大範圍值，篩選分析程式231係依據保守範圍演算產生保守座標，而樂觀範圍演算產生樂觀座標。
就以保守範圍演算過程來說，篩選分析程式231對保守範圍統整出一保守最小值、一保守平均值及一保守最大值，並篩選兩倍標準差以外的極端值；篩選分析程式231別將保守最小值、保守平均值與保守最大值演算成各保守座標；於本創作實施例中，各保守座標包含複數保守認知座標33及一保守隸屬座標34，各保守認知座標33具有一第一保守認知座標33a、一第二保守認知座標33b及一第三保守認知座標33c，其中，篩選分析程式231將保守最小值對應演算成第一保守認知座標33a、保守平均值對應演算成第二保守認知座標33b，以及保守最大值對應演算成第三保守認知座標33c，且各保守認知座標33分別坐落於評估圖表30之橫座標軸31上，其中，篩選分析程式231於演算保守隸屬座標34時，依據保守平均值對應評估圖表30之縱座標軸32，藉以評估圖表30於二維空間中，保守隸屬座標34與第一保守認知座標33a及第三保守認知座標33c圍成概呈三角狀之保守區域A，且保守隸屬座標34對準第二保守認知座標33b。
再者，樂觀範圍之演算過程與保守範圍相同，篩選分析程式231對樂觀範圍統整出一樂觀最小值、一樂觀平均值及一樂觀最大值，並篩選兩倍標準差以外的極端值，接著篩選分析程式231各別將樂觀最小值、樂觀平均值與樂觀最大值演算成各樂觀座標。
於本創作實施例中，各樂觀座標包含複數樂觀認知座標35及一樂觀隸屬座標36，各樂觀認知座標35具有一第一樂觀認知座標35a、一第二樂觀認知座標35b及一第三樂觀認知座標35c，其中，篩選分析程式231將樂觀最小值對應演算成第一樂觀認知座標35a、樂觀平均值對應演算成第二樂觀認知座標35b，以及樂觀最大值對應演算成第三樂觀認知座標35c，且各樂觀認知座標35分別坐落於評估圖表30之橫座標軸31上，其中，篩選分析程式231於演算樂觀隸屬座標36時，係依據樂觀平均值對應評估圖表30之縱座標軸32，藉以評估圖表30於二維空間中，樂觀隸屬座標36與第一樂觀認知座標35a及第三樂觀認知座標35c圍成概呈三角狀之樂觀區域B，且樂觀隸屬座標36對準第二樂觀認知座標35b，如此一來，評估圖表30上保守區域A與樂觀區域B可作為檢視專家針對各評估項目是否達到共識，進而能客觀地篩選符合醫療穿戴式裝置的評估項目。
若保守區域A與樂觀區域B無重疊現象，表示樂觀範圍之樂觀最小值大於保守範圍之保守最大值，意指各專家的意見區間值具有共識區段，且評估意見趨於共識區段範圍內，據以評估項目的共識重要程度值等於保守平均值與樂觀平均值之算術平均值；若保守區域A與樂觀區域B有重疊現象，表示保守範圍之保守最大值大於樂觀範圍之樂觀最小值，以使保守區域與樂觀區域部分交疊有一無共識區域C，如圖2所示。
無共識區域C意指各專家的意見區間值雖無共識區段，但給予保守最大值以及樂觀最小值意見的專家，並無與其他專家之意見相差過大，因而不會造成評估意見產生分歧發散，此時評估項目的共識重要程度值等於對保守區域A及樂觀區域B的模糊關係做交集運算所得之模糊集合，再求出該模糊集合具有最大隸屬度值的量化分數，其中，共識重要程度值依下列公式1、2進行演算。
公式1：
公式2：
處理模組23具有一決策分析程式232，決策分析程式232根據評估圖表30，將具共識的所述評估項目之評估尺度，利用總平均及正規化運算，以產生一影響關係矩陣，其中，各評估尺度依據影響程度依序設有一分數，舉例來說，沒有影響表示為0，低度影響表示為1，中度影響表示為2，高度影響表示為3，極高影響表示為4，本發明決策分析程式232運用決策實驗室方式(DEMATEL)將評估尺度之分數經總平均運算，以彙整建立一平均專家意見矩陣，其中，平均專家意見矩陣如下所示：
其中，
表示評估項目
i影響評估項目
j的程度，而矩陣對角線為各評估項目對自己的影響程度，若沒有影響則數值表示為0。
決策分析程式232將上述平均專家意見矩陣以正規化方式演算產生影響關係矩陣，其中，影響關係矩陣的總平均設有一門檻值，並透過門檻值篩選影響關係矩陣中的數值；若影響關係矩陣中數值小於門檻值，以0代替；反之，若影響關係矩陣中數值大於門檻值，則保留原本數值，據以消除影響關係矩陣中影響較地的構面或指標，進而簡化影響關係矩陣；接著，決策分析程式232對影響關係矩陣中之各行數及各列數分別進行加總，並依據加總的數值以轉換形成一因果圖，藉以開發人員可依據因果圖呈現各評估項目間的影響程度關聯性，以提供開發人員作為決策參考。
處理模組23具有一關鍵因素演算程式233，關鍵因素演算程式233將影響關係矩陣演算處理形成一超級矩陣，於本創作實施例中，關鍵因素演算程式233利用決策實驗室分析基礎之網路層級分析方式(DANP)，先將影響關係矩陣去除各準則的總影響值，並轉置成一正規化影響關係矩陣，再將正規化影響關係矩陣演算成超級矩陣，之後關鍵因素演算程式233再對超級矩陣之各行向量進行加總，以獲得各項指標權重之一關鍵因素排序，藉以開發人員可以依據關鍵因素排序，以提供未來醫療穿戴式相關裝置的研究發展與客製化設計之效益。
藉此，本創作醫療穿戴裝置發展決策系統100，以消費者與專家的觀點，利用數據演算裝置20之各項程式以客觀地篩選符合各類型醫療穿戴式裝置發展的評估項目，並將各評估項目轉換成因果圖，以提供開發人員評估各評估項目間的影響程度關聯性，作為未來發展的決策考量。
再者，本創作醫療穿戴裝置發展決策系統100之數據演算裝置20將各項評估項目轉換成產品設計的關鍵因素排序；藉此，開發人員可以依據關鍵因素排序，以提供醫療穿戴式相關裝置的未來發展與客製化設計之效益。
以上所舉實施例僅用以說明本創作而已，非用以限制本創作之範圍。舉凡不違本創作精神所從事的種種修改或變化，俱屬本創作意欲保護之範疇。
100:醫療穿戴裝置發展決策系統
10:問卷
20:數據演算裝置
21:輸入模組
22:資料庫
23:處理模組
231:篩選分析程式
232:決策分析程式
233:關鍵因素演算程式
30:評估圖表
31:橫座標軸
32:縱座標軸
33:保守認知座標
33a:第一保守認知座標
33b:第二保守認知座標
33c:第三保守認知座標
34:保守隸屬座標
35:樂觀認知座標
35a:第一樂觀認知座標
35b:第二樂觀認知座標
35c:第三樂觀認知座標
36:樂觀隸屬座標
A:保守區域
B:樂觀區域
C:無共識區域
圖1係本創作系統架構圖。
圖2係本創作評估分析示意圖。
100:醫療穿戴裝置發展決策系統
10:問卷
20:數據演算裝置
21:輸入模組
22:資料庫
23:處理模組
231:篩選分析程式
232:決策分析程式
233:關鍵因素演算程式
Claims (10)
- 一種醫療穿戴裝置發展決策系統，其包含： 一數據演算裝置，其能顯示一問卷，該問卷具有複數評估項目，各該評估項目提供專家進行評估，所述評估項目設有一區間數值及一評估尺度；該數據演算裝置具有一輸入模組、一資料庫及一處理模組，該輸入模組接收對應所述評估項目輸入之所述區間數值及所述評估尺度，該輸入模組將接收之所述區間數值及所述評估尺度儲存於該資料庫；其中，該處理模組具有一篩選分析程式，該篩選分析程式針對所述區間數值進行篩選及分析，以統整出一評估圖表，該評估圖表用於檢視所述評估項目是否具有共識；該處理模組具有一決策分析程式，該決策分析程式根據該評估圖表，將具共識的所述評估項目之評估尺度，利用總平均及正規化運算，以產生一影響關係矩陣，該處理模組將該影響關係矩陣轉換形成一因果圖，該因果圖呈現各該評估項目間的影響程度關聯性；該處理模組具有一關鍵因素演算程式，該關鍵因素演算程式將該影響關係矩陣演算處理形成一超級矩陣，且該關鍵因素演算程式對該超級矩陣之各行向量進行加總，以獲得各項指標權重之一關鍵因素排序。
- 如請求項1所述之醫療穿戴裝置發展決策系統，其中，該評估圖表設有一橫座標軸及一縱座標軸，該橫座標軸表示為該區間數值之認知值，該縱座標軸表示為該區間數值之隸屬度，該篩選分析程式將各該區間數值分別演算產生複數保守座標及複數樂觀座標，並整合於該評估圖表中。
- 如請求項2所述之醫療穿戴裝置發展決策系統，其中，該篩選分析程式將所述保守座標連線圍成之一保守區域，所述樂觀座標連線圍成之一樂觀區域，以使該樂觀區域與該保守區域部分交疊。
- 如請求項3所述之醫療穿戴裝置發展決策系統，其中，各該保守座標包含複數保守認知座標及一保守隸屬座標，各該區間數值分別設定有一保守範圍，該篩選分析程式對該保守範圍統整出一保守最小值、一保守平均值及一保守最大值，並各別演算成所述保守認知座標，且坐落於該評估圖表之橫座標軸上，接著該篩選分析程式再將該保守最小值、該保守平均值與該保守最大值整合演算成該保守隸屬座標，使該評估圖表於二維空間中，該保守隸屬座標與所述保守認知座標圍成概呈三角狀之該保守區域。
- 如請求項4所述之醫療穿戴裝置發展決策系統，其中，所述保守認知座標分別具有對應該保守最小值之一第一保守認知座標、對應該保守平均值之一第二保守認知座標及對應該保守最大值之一第三保守認知座標；該篩選分析程式於演算該保守隸屬座標時，依據該保守平均值對應該評估圖表之縱座標軸，藉以該保守隸屬座標與該第一保守認知座標及該第三保守認知座標圍成該保守區域，且該保守隸屬座標對準該第二保守認知座標。
- 如請求項4所述之醫療穿戴裝置發展決策系統，其中，各該樂觀座標包含複數樂觀認知座標及一樂觀隸屬座標，各該區間數值分別更設定有一樂觀範圍，該篩選分析程式對該樂觀範圍統整出一樂觀最小值、一樂觀平均值及一樂觀最大值，並各別演算成所述樂觀認知座標，且坐落於該評估圖表之橫座標軸上；該篩選分析程式將該樂觀最小值、該樂觀平均值與該樂觀最大值整合演算成該樂觀隸屬座標，使該評估圖表於二維空間中，該樂觀隸屬座標與所述樂觀認知座標圍成概呈三角狀之該樂觀區域，且該保守區域與該樂觀區域部分交疊有一無共識區域。
- 如請求項6所述之醫療穿戴裝置發展決策系統，其中，所述樂觀認知座標分別具有對應該樂觀最小值之一第一樂觀認知座標、對應該樂觀平均值之一第二樂觀認知座標及對應該樂觀最大值之一第三樂觀認知座標，該篩選分析程式於演算該樂觀隸屬座標時，依據該樂觀平均值對應該評估圖表之縱座標軸，該樂觀隸屬座標與該第一樂觀認知座標及該第三樂觀認知座標圍成該樂觀區域，該樂觀隸屬座標對準該第二樂觀認知座標。
- 如請求項6所述之醫療穿戴裝置發展決策系統，其中，各該評估尺度依據影響程度依序設有一分數，而該決策分析程式將所述評估尺度之分數進行彙整演算，以建立該影響關係矩陣。
- 如請求項8所述之醫療穿戴裝置發展決策系統，其中，該影響關係矩陣的總平均設有一門檻值，並透過該門檻值篩選該影響關係矩陣中的數值，接著該決策分析程式對該影響關係矩陣中之各行數及各列數分別進行加總，且依據加總數值轉換產生該因果圖。
- 如請求項8所述之醫療穿戴裝置發展決策系統，其中，該關鍵因素演算程式利用決策實驗室分析基礎之網路層級分析方式，將該影響關係矩陣去除各準則的總影響值，以轉置成一正規化影響關係矩陣，且將該正規化影響關係矩陣演算成該超級矩陣。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108133363 | 2019-09-17 | ||
| TW108133363 | 2019-09-17 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWM605334U true TWM605334U (zh) | 2020-12-11 |
Family
ID=74671274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW109212156U TWM605334U (zh) | 2019-09-17 | 2020-09-16 | 醫療穿戴裝置發展決策系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWM605334U (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI769798B (zh) * | 2021-04-28 | 2022-07-01 | 國立勤益科技大學 | 立式切削中心機之加工策略分析系統 |
-
2020
- 2020-09-16 TW TW109212156U patent/TWM605334U/zh not_active IP Right Cessation
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI769798B (zh) * | 2021-04-28 | 2022-07-01 | 國立勤益科技大學 | 立式切削中心機之加工策略分析系統 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Malmir et al. | A medical decision support system for disease diagnosis under uncertainty | |
| CN107785057B (zh) | 医疗数据处理方法、装置、存储介质和计算机设备 | |
| Pan et al. | Fundus image classification using Inception V3 and ResNet-50 for the early diagnostics of fundus diseases | |
| Hu et al. | GAT-LI: a graph attention network based learning and interpreting method for functional brain network classification | |
| Anouncia et al. | Design of a diabetic diagnosis system using rough sets | |
| CN113284623A (zh) | 基于用户能力的个性化认知训练任务推荐算法及系统 | |
| Patil et al. | A proposed model for lifestyle disease prediction using support vector machine | |
| Surantha et al. | Intelligent sleep monitoring system based on microservices and event-driven architecture | |
| Bouazizi et al. | Enhancing accuracy and interpretability in EEG-based medical decision making using an explainable ensemble learning framework application for stroke prediction | |
| Yang et al. | A multi-criteria framework for addressing digitalization solutions of medical system under interval-valued T-spherical fuzzy information | |
| TWM605334U (zh) | 醫療穿戴裝置發展決策系統 | |
| US20240006052A1 (en) | System implementing generative adversarial network adapted to prediction in behavioral and/or physiological contexts | |
| Pandit et al. | Examining factors for anxiety and depression prediction | |
| Kour et al. | An Advance Approach for Diabetes Detection by Implementing Machine Learning Algorithms | |
| Nisha et al. | A novel method to improve inter-clinician variation in the diagnosis of retinopathy of prematurity using machine learning | |
| CN113724860A (zh) | 基于人工智能的医疗检查推荐方法、装置、设备及介质 | |
| El-Ibrahimi et al. | Optimizing Machine Learning Algorithms for Heart Disease Classification and Prediction. | |
| Luo et al. | Exploring adaptive graph topologies and temporal graph networks for EEG-based depression detection | |
| KİRİŞCİ et al. | Soft set based new decision-making method with cardiovascular disease application. | |
| Abdullah et al. | Heart rate reading patterns of moment of information overload during online information searching | |
| Aksu et al. | Mental Workload Assessment Using Machine Learning Techniques Based on EEG and Eye Tracking Data | |
| Sams et al. | Predictive modelling and its visualization for telehealth data–Concept and implementation of an interactive viewer | |
| Alomoush et al. | Joint opposite selection enhanced Mountain Gazelle Optimizer for brain stroke classification | |
| Chen | Identification of the human-oriented factors influencing AERC from the web services | |
| Ellethy et al. | Machine Learning Applications in Traumatic Brain Injury Diagnosis and Prognosis: A Spotlight on Mild TBI and CT Imaging |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4K | Annulment or lapse of a utility model due to non-payment of fees |