Resumen

Para comparar las señales de diagnóstico del pulso de pacientes con enfermedad del hígado graso (EHG) y pacientes con cirrosis. Después de recolectar las ondas de pulso de pacientes con enfermedad del hígado graso, pacientes con cirrosis y voluntarios sanos, realizamos el pretratamiento y la extracción de parámetros basados en el ajuste armónico, modelado e identificación mediante el aprendizaje no supervisado Análisis de Componentes Principales (PCA) y el aprendizaje supervisado Regresión por Mínimos Cuadrados (LS) y Operador de Encogimiento y Selección Absoluta Mínima (LASSO) con validación cruzada paso a paso para el análisis. Existe una diferencia significativa entre las señales de diagnóstico del pulso de voluntarios sanos y pacientes con EHG y cirrosis, y el resultado fue confirmado por 3 métodos de análisis. La precisión de identificación del 1er componente principal es aproximadamente del 75% sin ninguna formación de clasificación por PCA, y la precisión de los aprendizajes

• Materias:Internet de las cosas Inteligencia artificial Contaminantes atmosféricos Sistema biométrico Aplicaciones
• Subjects:Internet of things Artificial intelligence Air pollutants Biometric system Applications
• Palabras claves:Señales; Diagnóstico del pulso; Enfermedad del hígado graso; Pacientes con cirrosis; Aprendizaje no supervisado; Aprendizaje supervisado
• Keywords:Signals; Pulse diagnosis; Fatty liver disease; Cirrhosis patients; Unsupervised learning; Supervised learning