BACKGROUND AND RELATED WORKThe diag

BACKGROUND AND RELATED WORK
The diagnosis of disease can be viewed as a classification
task that sorts subjects into two classes: those with disease
and those without it. Machine learning methods and, in
Manuscript received April 23, 2010. This work was supported in part by
the National Science Foundation Graduate Research Fellowship Program.
I. Tien and S. D. Glaser are with the Center for Information Technology
Research in the Interest of Society (CITRIS), University of California,
Berkeley, CA 94720 USA (emails: [e-mail] and
[e-mail]).
M. J. Aminoff is with the Neurology Department, University of
California, San Francisco, CA 94143 USA (email:
[e-mail]).
particular, support vector machines (SVMs) are a powerful
tool for use in classification tasks, especially in high
dimensions. In Parkinson’s disease (PD), SVM has been
used to estimate the severity of tremor, bradykinesia, and
dyskinesia [1]. Studies of gait in PD using SVMs have been
limited to plantar pressure data [2] and ground reaction
forces [3]. The equipment used for these studies only
provides information related directly to the foot hitting the
ground. For example, stride time can be obtained, but no
information can be obtained regarding how the foot moves
during a stride. This limits the understanding of the physical
characteristics of gait that distinguish PD patients from
healthy subjects.

ผลลัพธ์ (ไทย) 1:

พื้นหลังและการทำงานที่เกี่ยวข้องการวินิจฉัยโรคสามารถใช้เป็นการจัดประเภทงานที่เรียงลำดับหัวข้อออกเป็น 2 ประเภท: ผู้ที่ มีโรคและไม่มัน เครื่องจักรวิธีการเรียนรู้ และ ในฉบับที่ 23 เมษายน 2010 ที่ได้รับ งานนี้ได้รับการสนับสนุนบางส่วนโดยโปรแกรมสามัคคีธรรมวิจัยบัณฑิตวิทยาลัยของมูลนิธิวิทยาศาสตร์แห่งชาติI. เทียนและ S. D. Glaser มีศูนย์เทคโนโลยีสารสนเทศวิจัยสังคม (CITRIS), มหาวิทยาลัยแคลิฟอร์เนีย in the Interest ofเบิร์กลีย์ CA 94720 สหรัฐอเมริกา (อีเมล์: [e-mail] และ[e-mail])M. J. Aminoff เป็นแผนกประสาทวิทยา มหาวิทยาลัยรัฐแคลิฟอร์เนีย สหรัฐอเมริกา San Francisco, CA 94143 (อีเมล์:[e-mail])เฉพาะ สนับสนุนเครื่องแบบเวกเตอร์ (SVMs) มีประสิทธิภาพเครื่องมือสำหรับใช้ในงานประเภท โดยเฉพาะอย่างยิ่งในที่สูงมิติ ในโรคพาร์กินสัน (PD), SVM ได้ใช้ในการประเมินความรุนแรงของการสั่น bradykinesia และdyskinesia [1] การศึกษาของเดินใน PD ใช้ SVMsจำกัดความดัน plantar ก๊อกข้อมูล [2] และปฏิกิริยาดินกองทัพ [3] อุปกรณ์ที่ใช้สำหรับการศึกษานี้เท่านั้นแสดงข้อมูลที่เกี่ยวข้องโดยตรงกับเท้าตีพื้นดิน ตัวอย่าง ตอนค่ำเวลาได้ แต่ไม่สามารถรับข้อมูลเกี่ยวกับการย้ายเท้าในตอนค่ำ นี้จำกัดความเข้าใจของจริงลักษณะของการเดินที่แยกผู้ป่วย PD จากเรื่องสุขภาพ

ผลลัพธ์ (ไทย) 2:

ความเป็นมาและการทำงานที่เกี่ยวข้องการวินิจฉัยของโรคสามารถมองได้ว่าการจัดหมวดหมู่งานที่เรียงลำดับวิชาเป็นสองชั้น: ผู้ที่มีโรคและผู้ที่ไม่ได้ วิธีการเรียนรู้เครื่องและในต้นฉบับที่ได้รับวันที่ 23 เมษายน 2010 งานนี้ได้รับการสนับสนุนในส่วนของมูลนิธิวิทยาศาสตร์แห่งชาติบัณฑิตการวิจัยโครงการทุน. I. เทียนและ SD ตับอยู่กับศูนย์เทคโนโลยีสารสนเทศการวิจัยในความสนใจของสังคม(CITRIS) University of California, Berkeley, CA 94720 สหรัฐอเมริกา (อีเมล: [e-mail] และ[e-mail]). MJ Aminoff อยู่กับ ภาควิชาประสาทวิทยาจากมหาวิทยาลัยแคลิฟอร์เนียซานฟรานซิสโกประเทศสหรัฐอเมริกา94143 (อีเมล:. [e-mail]) โดยเฉพาะอย่างยิ่งการสนับสนุนเครื่องเวกเตอร์ (SVMs) จะมีประสิทธิภาพเครื่องมือสำหรับใช้ในงานที่จัดหมวดหมู่โดยเฉพาะอย่างยิ่งในที่สูงขนาด ในโรคพาร์กินสัน (PD) SVM ได้รับการใช้ในการประเมินความรุนแรงของการสั่นสะเทือนที่bradykinesia และดายสกิน[1] การศึกษาการเดินใน PD ใช้จำแนกได้ถูกจำกัด ให้ข้อมูลความดัน plantar [2] และปฏิกิริยาพื้นดินกองกำลัง[3] อุปกรณ์ที่ใช้สำหรับการศึกษาเหล่านี้เพียง แต่ให้ข้อมูลที่เกี่ยวข้องโดยตรงกับการเดินเท้าตีพื้นดิน ยกตัวอย่างเช่นเวลาที่ก้าวสามารถรับได้ แต่ไม่มีข้อมูลที่สามารถรับได้เกี่ยวกับวิธีการย้ายเท้าในระหว่างการก้าว นี้จะช่วย จำกัด เข้าใจในทางกายภาพลักษณะของการเดินที่แตกต่างจากผู้ป่วยPD สุขภาพดี

ผลลัพธ์ (ไทย) 3:

ฉันกำลังมองหาในวันพรุ่งนี้ !ฉันกำลังมองหาในวันพรุ่งนี้ !ฉันกำลังมองหาในวันพรุ่งนี้ !ฉันกำลังมองหาในวันพรุ่งนี้ !