Diagnosis of Type 2 Diabetes Using Electrogastrograms: Extraction and Genetic Algorithm–Based Selection of Informative Features
Notice bibliographique
Résumé
Background Electrogastrography is a noninvasive electrophysiological procedure used to measure gastric myoelectrical activity. EGG methods have been used to investigate the mechanisms of the human digestive system and as a clinical tool. Abnormalities in gastric myoelectrical activity have been observed in subjects with diabetes. Objective The objective of this study was to use the electrogastrograms (EGGs) from healthy individuals and subjects with diabetes to identify potentially informative features for the diagnosis of diabetes using EGG signals. Methods A total of 30 features were extracted from the EGGs of 30 healthy individuals and 30 subjects with diabetes. Of these, 20 potentially informative features were selected using a genetic algorithm–based feature selection process. The selected features were analyzed for further classification of EGG signals from healthy individuals and subjects with diabetes. Results This study demonstrates that there are distinct variations between the EGG signals recorded from healthy individuals and those from subjects with diabetes. Furthermore, the study reveals that the features Maragos fractal dimension and Hausdorff box-counting fractal dimension have a high degree of correlation with the mobility of EGGs from healthy individuals and subjects with diabetes. Conclusions Based on the analysis on the extracted features, the selected features are suitable for the design of automated classification systems to identify healthy individuals and subjects with diabetes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».