Top 10 network monit的問題,透過圖書和論文來找解法和答案更準確安心。 我們找到下列特價商品、必買資訊和推薦清單
國立臺灣師範大學 健康促進與衛生教育學系健康促進與衛生教育碩士在職專班 廖邕所指導 許心妤的 職場員工客觀測量身體活動、靜態行為與肥胖風險之研究 (2021),提出Top 10 network monit關鍵因素是什麼,來自於職場員工、肥胖、身體活動、靜態行為。
而第二篇論文臺北醫學大學 醫學資訊研究所博士班 蘇家玉所指導 郭朝揚的 以機器學習及資料科學於生物醫學及公共衛生之預測分析應用 (2021),提出因為有 機器學習、神經復健機器人、視覺感受、人工受孕、登革熱的重點而找出了 Top 10 network monit的解答。
職場員工客觀測量身體活動、靜態行為與肥胖風險之研究
為了解決Top 10 network monit 的問題,作者許心妤 這樣論述:
世界衛生組織指出肥胖與其相關疾病是21世紀最嚴重的全球公共衛生挑戰之一。肥胖已被證實與國人十大死因中的心血管疾病、糖尿病、高血壓、肺部疾病等有相關。近年來,由於科技日新月異,工作型態的改變(以坐在辦公室為主) 以及娛樂活動的改變 (如看電視、打電動),職場員工的身體活動量減少及靜態行為增加,皆可能增加肥胖的風險。據此,本研究欲探討職場員工身體活動、靜態行為與肥胖之關聯性,以作為未來職場健康促進策略擬定之基石。本研究為橫斷性研究設計,於2020年8月至10月間以方便取樣方式進行取樣;本研究對象選取桃園市某生技公司員工為本研究調查之母群體,結合線上問卷及三軸加速規測量身體活動量與靜態行為,共有5
1筆有效樣本。資料分析利用SPSS 23.0進行平均數、標準差及邏輯斯迴歸分析。研究調查結果發現「連續30分鐘久坐時間3.5小時/天」與肥胖之關聯性達顯著正相關;「輕強度身體活動180分鐘/天」與肥胖之關聯性達顯著負相關;表示身體活動時間越多,靜態時間越少,肥胖風險越低,因此未來在職場健康促進策略,可著重於增加職場員工身體活動量,減少各項久坐時間及增加中斷久坐行為,以有效預防肥胖風險之發生。
以機器學習及資料科學於生物醫學及公共衛生之預測分析應用
為了解決Top 10 network monit 的問題,作者郭朝揚 這樣論述:
機器學習演算法和資料科學在包含生物醫學在內各領域進步到人工智慧的應用階段,在預測模型中,智能運算的創新運用已經促進個人醫療或照護的發展。本文的主旨在於提供預測模型分析來描繪出在生物醫學和公共衛生的新發現,為了達成這個目標,將完成四項主題:1) 提供早期預測Lokomat病人復健進步成效評估,2) 發現在放射治療產生視覺感受的相關因素,3) 發展可預測透過試管嬰兒懷孕的臨床決策系統,4) 找出空氣品質指標和登革熱新的關聯性。第一個主題,利用病人基本資料(例如年齡、性別、診斷等)及結合機器人步態訓練系統(Lokomat)提供的數據(例如懸吊重量等),使用機器學習的方法來預測有神經系統疾病病人是否
能夠透過Lokomat的治療讓病人的行走上更加進步,而重要性的指標以及進步與各變數的關係可用來評估復健的成效;第二個主題,招募在臺北榮民總醫院接受頭頸或腦部放射治療的病人,臨床指標(例如照射部位、視網膜放射劑量等等)將從關於視覺感受的問卷取出,使用敘述性統計分析有無視覺感受的病患,再提供預測方法來分開兩群不同的病人,再進一步描繪出指標和視覺感受之間的關係;第三個主題,蒐集在臺北醫學大學附設醫院接受試管嬰兒女性的臨床指標(例如卵巢刺激藥物、不孕原因、女性年齡、總共冷凍卵子數等),其中包含納入及排除的受試者,在建立基於各項演算法的預測模型前,先進行資料前處理、補遺失值及非平衡資料等處理,而後找出重
要性指標以增加模型的解釋能力;第四個主題,空氣品質指標及影響登革熱的傳統指標,包含天氣及病媒蚊資料,將首次在臺灣官方公開資料網站取得,這些空氣品質指標將和傳統指標結合來了解空氣指標的影響,最後確定可用來解釋的生醫變數。分析流程包含特徵變數選取、資料前處理、機器學習及評估階段,首先,針對連續型變數計算平均數及標準差,而類別型變數則計算次數及百分比,再使用T檢定去檢定兩組平均數的是否具有顯著差異,卡方檢定去檢定類別變數和應變數是否具有獨立性,為了找出最佳模型,採用數種機器學習演算法去計算AUC,AUC是一種用來測量各模型表現能力的指標,在比較完後我們再從中選出最佳模型。在神經復健機器人方面,利用機
器學習建立的預測模型AUC為0.981最高,正確率、敏感性及特異性分別為87.9%、100%及76.7%;在視覺感受方面,所建立的預測模型AUC為0.888最高,正確率、敏感性及特異性分別為79.3%、65.4%及90.6%;在人工受孕方面,建立的預測模型AUC為0.721最高,而正確率、敏感性及特異性分別為64.8%、66.6%及64.2%;而在登革熱的預測模型AUC為0.955最高,而正確率、敏感性及特異性分別為89.9%、94.8%及82.5%。本研究所發展的機器學習預測模型除了可供參考之外,另外找出重要性變數及觀察各變數的部分相依圖,提供的方法可以用來發展臨床決策系統來增加臨床運用及醫
療照護研究。