本文主要关注人们的行为通过各种传感器和设备,记录他们的生活经历,即生活实录。生活实录对人类的重要意义的基础上,本文探讨了设计原则的应用,和可视化生活实录数据的解决方案,从信息的角度设计,同时针对注入一个新的视角生活实录的应用程序设计。从生活实录的定义和起源,本文研究收集设备产生的数据来源和数据类型在讨论生活实录应用的价值和意义,并分析其挑战和机遇。在一个案例研究中,基于总结5 rs(回忆,回忆,反映出记忆的意图,检索)提出的Sellen惠塔克(2010)和设计原则由Gurrin et al .(2008)和Doherty et al .(2013),构建理论模型设计一个生活实录的应用程序。然后,基于这个模型,我自己的音乐、健康和照片数据应用到它提出一个解决方案设计一个新的应用程序,命名为“Mylifelogin”。应用程序的设计流程是基于模型的“ISO 13407以人为中心的设计过程互动系统”提出的汤姆·斯图尔特et al。(1999)。首先,总结了用户场景和用户需求使用生活实录应用程序中,两个主要的用户场景(搜索和浏览)和五个用户需求从5 rs中提取。其次,结合这两个,说构建理论模型,概念图的主要接口和功能“Mylifelogin”构造。之后,梳理我的数据源,数据集的音乐,照片和健康是收集和清洗,然后进入“Mylifelogin”设计实践。之后,详细讨论了其设计方案从5 rs的角度,探索和可视化选项的生活实录数据从信息设计的角度来看。 Finally, I gathered feedback for the design solutions, further revised and adjusted the design according to the feedback, and put forward the directions for future studies--Author's abstract展开/折叠切换
机器学习在医疗保健的价值来自于它能够处理大量的卫生保健数据提取临床见解有助于医生的计划,为治疗提供更好的结果和降低成本。最近的研究探索机器学习技术表明预测模型有可能识别高危病人,然而,利用机器学习的方法对经典方法既不明显,也不普遍。此外,只有少数研究解决class-imbalanced数据带来的挑战在医疗应用程序中常见的。在这项工作中,我们比较不同的机器学习算法来预测再入院全因心力衰竭住院治疗出院后30天。在本研究,我们解决了特征选择和医疗数据的类不平衡问题。我们开发了各种机器学习模型,研究它们的性能。模型探讨了包括逻辑回归、决策树,随机森林,朴素贝叶斯、支持向量机和X-boost。我们比较他们的性能使用性能指标如接受者操作特征曲线下面积(AUC)和敏感性和特异性。我们确定了5894名患者因心脏衰竭并发症在2011年和2015年之间。数据集包含8684条记录和61个变量。 Among the study patients, 16.44% were readmitted within 30 days of hospital discharge. This research explored the effectiveness of different class balancing and feature selection approaches. The models produced AUCs in the range of 0.62 - 0.79 and a sensitivity in the range of 0.25 - 0.73. On the current dataset, machine learning techniques did not outperform the standard regression model to predict 30- day readmission for heart failure patients. However, the result achieved by all the classifier agree with the results reported in the literature.展开/折叠切换