يعزز النموذج المستند إلى البيانات السريرية الذي يجمع بين XGBoost و LSTM إعادة التأهيل المنزلي لمرض الانسداد الرئوي المزمن ، مما يحسن دقة البيانات والتنبؤ بها. يحقق دقة 98٪ وتحسينا بنسبة 42.5٪ في المؤشرات ، مما يعالج قيود العلاج التقليدي في المستشفيات.
يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية
مقالة بحثية
نموذج التشخيص والعلاج الذكي المستند إلى البيانات السريرية لإدارة إعادة التأهيل المنزلي لمرض الانسداد الرئوي المزمن
في هذه المقالة
ملخص
الملخص
يعاني علاج إعادة التأهيل التقليدي في المستشفى لمرض الانسداد الرئوي المزمن (COPD) من مشاكل مثل نقص الموارد والتكلفة العالية والنقل غير المريح. لتحسين راحة علاج إعادة التأهيل لمرض الانسداد الرئوي المزمن ، تم اقتراح نموذج تشخيص وعلاج ذكي قائم على البيانات السريرية لإدارة إعادة التأهيل المنزلي لمرض الانسداد الرئوي المزمن. تم تحسين نموذج التشخيص والعلاج الذكي لإعادة التأهيل المنزلي لمرض الانسداد الرئوي المزمن من خلال الجمع بين خوارزمية XGBoost وشبكة الذاكرة طويلة المدى القصيرة. تشير النتائج إلى أن خوارزمية XGBoost تتمتع بأعلى دقة في معالجة البيانات المنظمة السريرية ، بينما تتمتع خوارزمية الغابة العشوائية (RF) بأقل دقة في معالجة البيانات المنظمة السريرية. عندما تكون كمية عينات التدريب 300 ، تكون معدلات الدقة 98٪ و 83٪ على التوالي. يتم استخدام تكامل خوارزمية XGBoost وشبكة الذاكرة طويلة المدى قصيرة لمعالجة مؤشرات المراقبة ، مما يؤدي إلى أعلى معدل تحسين وأصغر خطأ مربع متوسط. عندما يكون حجم العينة 1000 ، يكون معدل تحسين مؤشرات المراقبة 42.5٪ ، ومتوسط الخطأ المربع هو 0.041. يمكن للطريقة المقترحة في الدراسة معالجة البيانات السريرية بشكل فعال ، وتحسين دقة معالجة البيانات ، والتنبؤ بدقة بالتغيرات المستقبلية في مرض الانسداد الرئوي المزمن.
المقدمة
مرض الانسداد الرئوي المزمن هو مرض مزمن شائع مع ارتفاع معدلات الإعاقة والوفيات ، مما يؤثر بشكل كبير على مستويات معيشة المرضى. يعاني نموذج إدارة إعادة التأهيل التقليدي من مشاكل مثل تأخر المعلومات والتدخل المبكر في التعامل مع مرض الانسداد الرئوي المزمن. ومع ذلك ، مع تقدم التكنولوجيا ، جلبت بعض التقنيات الناشئة ، مثل خوارزمية تعزيز التدرج الشديد (XGBoost) ، إمكانيات جديدة لإدارة مرض الانسداد الرئوي المزمن1. بينما أظهر XGBoost قابلية التطبيق عبر سياقات المراقبة الصحية المختلفة ، بما في ذلك الطب الرياضي ، فإن هذه الدراسة تستفيد على وجه التحديد من نقاط قوتها لإدارة مرض الانسداد الرئوي المزمن في بيئة إعادة التأهيل المنزلي. يظل التركيز على تعزيز الدقة التنبؤية والرعاية الشخصية لمرضى الانسداد الرئوي المزمن باستخدام بيانات المراقبة السريرية والمراقبة عن بعد2. على سبيل المثال ، من خلال جمع المؤشرات الفسيولوجية ، مثل معدل ضربات القلب ومعدل التنفس وما إلى ذلك ، لا يساعد هذا المزيج في إدارة مرضى الانسداد الرئوي المزمن فحسب ، بل يقدم أيضا وجهات نظر وأساليب جديدة للإدارة الصحية3. XGBoost هي خوارزمية شجرة قرار فعالة لتعزيز التدرج (GB). يستخدم XGBoost تقنيات الحوسبة المتوازية والتخزين المؤقت لجعل التدريب أسرع وقادرا على التعامل مع إدارة قواعد البيانات الكبيرة والخصائص المعقدة. علاوة على ذلك ، فإنه يعمل بشكل جيد في التعامل مع أنواع مختلفة من مجموعات البيانات ، مع قدرة تعميم ممتازة4. الذاكرة طويلة المدى قصيرة (LSTM) هي بنية RNN خاصة تستخدم بشكل شائع لمعالجة وتعلم بيانات السلاسل الزمنية. LSTM حساس للوقت وقادر على تحديد الأنماط والخصائص داخل بيانات السلاسل الزمنية ، مما يجعله مفيدا للمهام مثل معالجة الإشارات والتنبؤ بالسلاسل الزمنية. لتحقيق التنبؤ الدقيق والتدخل الشخصي للمرض ، تم اقتراح طريقة لتطبيق التشخيص الذكي وطريقة العلاج للبيانات السريرية على إدارة إعادة التأهيل المنزلي لمرض الانسداد الرئوي المزمن. يجمع البحث بشكل مبتكر بين XGBoost و LSTM لتحسين التشخيص الذكي وطريقة العلاج لإعادة التأهيل المنزلي لمرض الانسداد الرئوي المزمن. يمكن أن يحقق الجمع بين الاثنين تنبؤا دقيقا بالمرض ويوفر خطط تدخل شخصية قائمة على البيانات لتعزيز مستوى الذكاء لإدارة إعادة التأهيل المنزلي لمرض الانسداد الرئوي المزمن.
ولضمان فائدة النموذج المقترح، ينبغي أن تؤخذ في الاعتبار عدة بارامترات وقيود. يمكن أن تتطلب الطريقة بيانات سريرية منظمة (على سبيل المثال ، بيانات وظائف الرئة وبيانات الأكسجين في الدم) وبيانات المراقبة عن بعد (على سبيل المثال ، معدل ضربات القلب ، وتشبع الأكسجين ، ومستويات النشاط) يتم جمعها بشكل دوري من أجهزة استشعار يمكن ارتداؤها أو أجهزة مراقبة منزلية. بالنسبة للتدريب المستقر ، يجب أن يكون حجم العينة 300 عينة كحد أدنى ، وللحصول على الأداء الأمثل ، يفضل الحصول على 1000 عينة أو أكثر. هناك أيضا احتياجات حسابية ، لا سيما فيما يتعلق بتدريب LSTM ، تتطلب قوة معالجة كافية أو استخدام حلول النشر المستندة إلى السحابة لقدرة التنبؤ.
مرض الانسداد الرئوي المزمن هو مرض تنفسي تدريجي لا رجعة فيه يتميز بالحد من التدفق الخارجي ، والتفاقم الحاد ، وضعف نوعية الحياة (QoL). يؤثر بشكل كبير على السكان في أنظمة الصحة والرفاهية والرعاية الصحية في جميع أنحاء العالم. ومن ثم ، فإن التنبؤ المبكر والتدخل في الوقت المناسب لمرض الانسداد الرئوي المزمن جزء لا يتجزأ من الحد من تطور المرض المرضي ودخول المستشفى5. ثبت أن تقنيات التعلم الآلي (ML) تعمل على تحسين مسار تشخيص مرض الانسداد الرئوي المزمن والتنبؤ به مع البيانات ذات الصلة سريريا من خلال مناهج النمذجة المتقدمة المستندة إلى البيانات. تم الاستشهاد ب XGBoost لتوليد نماذج ML الأكثر فعالية ونجاحا للبيانات غير المتوازنة والتفاعلات غير الخطية بين المتغيراتالسريرية 6. تم الإبلاغ عن دقة تصنيف الأمراض الرئوية الممتازة باستخدام XGBoost وآلات ناقلات الدعم (SVM) مع بيانات الأنف الإلكترونية. أيضا ، تم إنشاء نماذج تنبؤية قائمة على التعلم الآلي للتنبؤ بمخاطر مرض الانسداد الرئوي المزمن باستخدام البيانات السريرية غير المتوازنة ، والتوصية ب XGBoost لتحسين الموثوقية التنبؤية7. علاوة على ذلك ، تم التحقق من صحة الأداء القوي ل XGBoost من بين نماذج ML الأخرى في مهام تصنيف مرض الانسداد الرئوي المزمن. كما تم استخدام التعلم الجماعي بشكل فعال باستخدام نماذج ML متعددة للتعلم الذاتي لتحديد وتصنيف مرض الانسداد الرئوي المزمن ، والكشف عن سرطان الرئة ، لا سيما الإشارة إلى دور XGBoost في بيانات تشخيص الجهاز التنفسي8. باختصار ، توفر هذه التحقيقات السابقة الأساس لاستخدام XGBoost في تطبيق معدل باستخدام قدرات LSTM للمحول لبناء نموذج تشخيص وعلاج ذكي للأشخاص المصابين بمرض الانسداد الرئوي المزمن في المنزل ، لزيادة دقة التنبؤ وتقديم صحة ورعاية شخصية أفضل9.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
البروتوكول
تمت مراجعة هذه الدراسة والموافقة عليها من قبل لجنة الأخلاقيات في مستشفى تايتشو للسرطان. تم الحصول على موافقة خطية مستنيرة من جميع المشاركين قبل جمع البيانات ، وفقا للمعايير الأخلاقية المؤسسية والوطنية. يتم سرد الكواشف والبرامج المستخدمة في جدول المواد.
1. نظرة عامة على سير العمل
يظهر سير العمل الشامل لمعالجة البيانات السريرية المنظمة باستخدام XGBoost في الشكل 1 ويتضمن استيعاب الميزات ، وبناء الشجرة ، والتحديثات المتبقية ، والتنظيم ، والتقييم. يظهر سير عمل المعالجة المسبقة ونمذجة التسلسل لبيانات المراقبة عن بعد باستخدام LSTM في الشكل 2 ، بما في ذلك إعادة التشكيل لمدة 10 دقائق ، ومعالجة الفجوات ، والنوافذ غير المتداخلة لمدة 7 أيام ، وبنية الشبكة ، والاستدلال.
2. توظيف المرضى والتركيبة السكانية
تم تجنيد المرضى على التوالي من العيادات الخارجية وأجنحة المرضى الداخليين في مستشفى تايتشو للسرطان بين مارس 2023 ويناير 2024. كانت معايير الإدراج هي تشخيص مؤكد لمرض الانسداد الرئوي المزمن وفقا لمعايير GOLD (FEV1 / FVC < 70٪) ، وحالة مستقرة عند التسجيل ، والعمر بين 40 و 80 عاما. تضمنت معايير الاستبعاد الأمراض المصاحبة الوخيمة مثل سرطان الرئة أو أمراض القلب والأوعية الدموية غير المنضبطة أو الضعف الإدراكي الذي يمنع الموافقة المستنيرة. تم تسجيل ما مجموعه 214 مريضا (متوسط العمر 63.7 ± 8.9 سنوات ؛ 68٪ ذكور ؛ 54٪ مدخنون حاليون أو سابقون).
3. جمع البيانات
تضمنت البيانات السريرية المنظمة وظائف الرئة (FEV1 ، FVC) ، وتشبع الأكسجين في الدم (SpO2) ، ومدة الإقامة في المستشفى ، ومدة المرض. تم تسجيل وظائف الرئة و SpO2 كنسب مئوية ، والإقامة في المستشفى بالأيام ، ومدة المرض بالسنوات. تم جمع بيانات المراقبة عن بعد باستخدام مقاييس التأكسج القابلة للارتداء المعتمدة وأجهزة تتبع النشاط التي تم التحقق من صحتها وفقا للمعايير الذهبية للمستشفى: تم فحص مقاييس التأكسج النبضي مع شاشات Masimo Rad-97 (متوسط الخطأ المطلق 1.8٪ في نطاق 90-100٪ SpO2 ) ، وتم التحقق من صحة مستشعرات معدل ضربات القلب مقابل تخطيط كهربية القلب (متوسط الخطأ 2.3 نبضة في الدقيقة) ، وتمت معايرة عدادات الخطوات على بروتوكول جهاز المشي. تم تصدير البيانات الأولية كملفات CSV مختومة بوقت زمني في فاصل زمني لأخذ العينات مدته 10 دقائق.
4. تبرير حجم العينة
تم دعم عتبات 300 عينة تدريب ل XGBoost وما يقرب من 1000 تسلسل غير متداخل لمدة 7 أيام ل LSTM من خلال التجارب وتحليلات الطاقة / المحاكاة. أشار تحليل الطاقة اللاحقة باستخدام G * Power (الإصدار 3.1) إلى أن 300 عينة وفرت >80٪ من الطاقة للكشف عن حجم تأثير متوسط (كوهين f2 = 0.15) عند α = 0.05 في الانحدار اللوجستي. أظهرت عمليات المحاكاة أن حوالي 1000 تسلسل كانت ضرورية للتقارب المستقر ل LSTM على السلاسل الزمنية الفسيولوجية متعددة المتغيرات. يتم تلخيص الأدلة التجريبية في الجدول 1 ويتم تصورها في الشكل 3 والشكل 4.
5. المعالجة المسبقة للبيانات
تم احتساب الإدخالات المفقودة ، التي تم تحديدها على أنها فراغات أو قيم خافرة أو NaN ، باستخدام متوسط مجموعة التدريب لكل ميزة لتجنب تسرب الهدف:
(1)
حيث mj هو عدد القيم المرصودة للخاصية j. تم تطبيق الشيء نفسه 
على مجموعات التحقق من الصحة والاختبار. لإزالة التحيز المرتبط بالمقياس ، تم توحيد الميزات باستخدام تطبيع درجة z باستخدام معلمات التدريب فقط:
(2)
حيث μj و σj هما المتوسط والانحراف المعياري للميزة J المقدر من بيانات التدريب. بالنسبة لإشارات السلسلة الزمنية (SpO2 ، معدل ضربات القلب ، الخطوات) ، تمت محاذاة التدفقات إلى إيقاع مدته 10 دقائق. تم ملء الفجوات القصيرة التي تصل إلى 30 دقيقة إلى الأمام ، وتم تخفيف الفجوات الأطول بمتوسط متحرك من ثلاث نقاط. ثم تم تطبيق نافذة منزلقة مدتها 7 أيام مع 1008 خطوة زمنية لتشكيل تسلسلات غير متداخلة لمنع التسرب (انظر الشكل 2).
6. تدريب النموذج
بالنسبة للبيانات السريرية المنظمة ، تم ضبط XGBoost عبر البحث الشبكي عبر معدل التعلم (0.01-0.3) ، والحد الأقصى للعمق (3-10) ، وعدد المقدرين (100-500) في إطار هدف لوجستي ثنائي (سير العمل في الشكل 1). بالنسبة لبيانات المراقبة عن بعد ، يتألف LSTM من طبقتين مخفيتين من LSTM مع 128 وحدة لكل منهما ، وتهيئة Xavier ، ومعدل تسرب يبلغ 0.5 ، وطبقة إخراج سينية. استخدم التحسين آدم بمعدل تعلم 0.001 تم تنفيذه في TensorFlow (خط الأنابيب في الشكل 2). تم تخفيف الإفراط في التجهيز من خلال التسرب والتوقف المبكر (الصبر = 10) ، وتمت معالجة عدم التوازن الطبقي باستخدام SMOTE.
7. استراتيجية التقييم
تم تقييم البيانات المنظمة من خلال التحقق المتبادل الطبقي بمقدار 10 أضعاف. تم تقييم بيانات السلاسل الزمنية من خلال التحقق من صحة السير إلى الأمام للحفاظ على الترتيب الزمني. تضمنت المقاييس الدقة والدقة والاستدعاء وقياس F والمساحة تحت منحنى ROC (AUC) ومتوسط الخطأ التربيعي (MSE). تم تقييم الفروق بين النماذج باستخدام اختبار ويلكوكسون الموقع (على الوجهين). تتضمن الأرقام نطاقات ثقة بنسبة 95٪ أو أشرطة خطأ لقياس عدم اليقين. وتعالج هذه الخيارات بشكل مباشر مخاطر تسرب السلاسل الزمنية والحاجة إلى الدلالة الإحصائية التي يطلبها المراجعون.
8. الملاءمة السريرية والاختبار التجريبي
تنبأ النموذج الهجين بانخفاض SpO2 من 6 إلى 12 ساعة قبل المظهر السريري في 78٪ من المرضى الذين تمت مراقبتهم وخفض MSE بنسبة 42.5٪ مقارنة بخطوط الأساس. في تجربة مدتها أربعة أسابيع مع 20 مريضا بمرض الانسداد الرئوي المزمن ، اتفقت درجات المخاطر النموذجية الأسبوعية مع تقييمات الأطباء في 85٪ من المراجعات ، مما يدعم إمكانية التكامل السريري.
9. البرمجيات والبيئة
تم إجراء التحليلات في Python 3.10.6 باستخدام scikit-learn 1.2.2 و XGBoost 1.7.5 و TensorFlow 2.13 و PyTorch 1.13 على Ubuntu 20.04 LTS مع وحدة معالجة الرسومات NVIDIA RTX 3080 و CUDA 11.6 و cuDNN 8.2. يتم سرد الإصدار الكامل والبائعين في جدول المواد غير المرقم.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
النتائج
استقرار حجم العينة والأداء الأمثل
لتوضيح عتبة الاستقرار بوضوح ، نقدم أولا الجدول 1 ، متبوعا بمنحنيات التعلم في الشكل 3 والشكل 4. يشير الجدول 1 إلى متوسط ± SD للدقة و AUC و MSE عبر أحجام التدريب المتزايدة لمصنف XGBoost على البيانات المنظمة و LSTM على السلاسل الزمنية متعددة المتغيرات. كما هو موضح في الشكل 3 ، كان أداء XGBoost غير مستقر أقل من 200 عينة (تباين مرتفع ...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المناقشة
موجز النتائج الرئيسية
يفرض مرض الانسداد الرئوي المزمن عبئا سريريا ومجتمعيا كبيرا من خلال ضعف التنفس وانخفاض الحركة والتفاقم الحاد المتكرر10. يمكن أن تؤدي الاستفادة من المراقبة المستمرة للمنزل باستخدام التحليلات القابلة للتفسير إلى تخفيف هذا العبء من خلال تمكين الاكتشاف المبكر والتدخل المستهدف. في هذه الدراسة ، حقق سير العمل الهجين الذي يدمج XGBoost للمتغيرات السريرية المنظمة و LSTM لإشارات السلاسل الزمنية متعددة المتغيرات أداء قويا باستمرار ، م...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
الإفصاحات
ليس لدى المؤلفين ما يكشفون عنه.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| كودا | نفيديا | 11.6 | منصة حوسبة متوازية ونموذج برمجة يستخدم لتسريع العمليات الحسابية على وحدات معالجة الرسومات. |
| cuDNN | نفيديا | 8.2 | مكتبة مسرعة بوحدة معالجة الرسومات للشبكات العصبية العميقة لتحسين أداء تدريب النموذج. |
| آلة تخطيط القلب | فيليبس | كاتب الصفحة TC70 | تستخدم للتحقق من صحة قياسات معدل ضربات القلب من الجهاز القابل للارتداء. |
| الجرافيك | نفيديا | آر تي إكس 3080 | تستخدم وحدة معالجة الرسومات عالية الأداء لتسريع تدريب النموذج على مجموعات البيانات الكبيرة. |
| نموذج LSTM | - | - | الشبكة العصبية للذاكرة قصيرة المدى الطويلة المستخدمة لمعالجة بيانات السلاسل الزمنية. |
| مقياس التأكسج النبضي | ماسيمو | راد -97 | يستخدم لقياس تشبع الأكسجين في الدم (SpO2) والتحقق من دقة الجهاز القابل للارتداء. |
| بايثون | مؤسسة برامج بايثون | 3.10.6 | لغة البرمجة المستخدمة لمعالجة البيانات وتدريب النماذج والتقييم. |
| TensorFlow | جوجل | 2.13 | مكتبة البرامج المستخدمة لتدريب نموذج LSTM وإجراء حسابات الشبكة العصبية. |
| تعقب النشاط القابل للارتداء | فيتبيت | شحن 5 | تستخدم لتتبع الخطوات ومستويات النشاط البدني. |
| XGBoost | - | - | مكتبة البرامج المستخدمة لتعزيز التدرج (التعلم الآلي). |
المراجع
- Stolz, D., et al. Towards the elimination of chronic obstructive pulmonary disease: A Lancet Commission. Lancet. 400 (10356), 921-972 (2022).
- Adeloye, D., et al. Global, regional, and national prevalence of, and risk factors for, chronic obstructive pulmonary disease (COPD) in 2019: A systematic review and modelling analysis. Lancet Respir Med. 10 (5), 447-458 (2022).
- Asselman, A., Khaldi, M., Aammou, S. Enhancing the prediction of student performance based on the machine learning XGBoost algorithm. Interact Learn Environ. 31 (6), 3360-3379 (2023).
- Deng, Y., Lumley, T. Multiple imputation through xgboost. J Comput Graph Stat. 33 (2), 352-363 (2024).
- Binson, V. A., Subramoniam, M., Sunny, Y., Mathew, L. Prediction of pulmonary diseases with electronic nose using SVM and XGBoost. IEEE Sens J. 21 (18), 20886-20895 (2021).
- Wang, X., et al. Machine learning-enabled risk prediction of chronic obstructive pulmonary disease with un-balanced data. Comput Methods Programs Biomed. 230, 107340(2023).
- Non-invasive diagnosis of COPD with E-nose using XGBoost algorithm. Binson, V. A., et al. Proc Int Conf Adv Comput Commun Embedded Secure Syst, , 297-301 (2021).
- Feng, Y., et al. Predicting chronic obstructive pulmonary disease (COPD) with optimized machine learning via leveraging comparative analysis of XGBoost and CatBoost. J Ambient Intell Humaniz Comput. 16 (4), 613-627 (2025).
- Binson, V. A., Subramoniam, M., Mathew, L. Detection of COPD and lung cancer with electronic nose using ensemble learning methods. Clin Chim Acta. 523, 231-238 (2021).
- Boers, E., et al. Forecasting the global economic and health burden of COPD from 2025 through 2050. Chest J. , (2025).
- Lones, M. A. Avoiding common machine learning pitfalls. Patterns (N Y). 5 (10), 101046(2024).
- Patharkar, A., Cai, F., Al-Hindawi, F., Wu, T. Predictive modeling of biomedical temporal data in healthcare applications: Review and future directions. Front Physiol. 15, 1386760(2024).
- Prater, R., Hanne, T., Dornberger, R. Generalized performance of LSTM in time-series forecasting. Appl Artif Intell. 38 (1), 2377510(2024).
- Lima Marinho, T., do Nascimento, D. C., Pimentel, B. A. Optimization on selecting XGBoost hyperparameters using meta-learning. Expert Syst. 41 (9), e13611(2024).
- Jang, Y. Feature-based ensemble modeling for addressing diabetes data imbalance using the SMOTE, RUS, and random forest methods: A prediction study. Ewha Med J. 48 (2), e32(2025).
- Tian, H., Yuan, H., Yan, K., Guo, J. A cosine adaptive particle swarm optimization based long-short term memory method for urban green area prediction. PeerJ Comput Sci. 10, e2048(2024).
- Johnston, H., Nair, N., Du, D. Estimating calibrated risks using focal loss and gradient-boosted trees for clinical risk prediction. Electronics (Basel). 14 (9), 1838(2025).
- Del Chicca, S., et al. Wearable and thermal drift-compensated monitoring system based on fiber bragg grating sensors for a 3D-printed foot prosthesis. Sensors (Basel). 25 (3), 885(2025).
- Wu, X., et al. Optimizing recurrent neural networks: A study on gradient normalization of weights for enhanced training efficiency. Appl Sci (Basel). 14 (15), 6578(2024).
- Agarwal, M., Anand, S., Patro, M., Gothi, D. Early versus non-early desaturation during 6MWT in COPD patients: A follow-up study. Lung India. 40 (3), 235-241 (2023).
- Thölke, P., et al. Class imbalance should not throw you off balance: Choosing the right classifiers and performance metrics for brain decoding with imbalanced data. Neuroimage. 277, 120253(2023).
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.