HMM tracking taiwan的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

運用機器學習預測新型口服抗凝血劑於非瓣膜性心房顫動病人之出血風險評估

為了解決HMM tracking taiwan的問題，作者陳怡樺 這樣論述：

一、研究目的與背景：心房纖維顫動（atrial fibrillation, AF）是臨床病人發生缺血性腦中風的重要危險因子。許多臨床研究已證實口服抗凝血劑可有效地預防AF病人中風發生及改善死亡率。從2011年起，非維他命K拮抗劑口服抗凝血劑（Non-vitamin K antagonist Oral Anticoagulants, NOACs ）陸續核准用於非瓣膜性AF的預防。相較於warfarin，由於NOACs有較高的安全性，此類藥物逐漸成為AF病人抗凝治療的首選藥物。一般而言，NOACs造成的嚴重出血風險約為1.6~3.6%，但Chao等人的研究中發現，NOACs在亞洲次族群的出血風險

可能較高，顯示評估亞洲族群使用NOACs的安全性為臨床重要議題。本研究將針對NOACs引發重大出血事件之病人進行分析，透過機器學習演算方法，找出出血病人的可能危險因子，並建立適合亞洲族群之出血風險預測模型。二、研究材料與方法：本研究分析2010年7月1日至2020年12月31日間於長庚醫療體系就醫的電子病歷資料。研究將先找出於2011年1月1日至2019年12月31日間初次處方NOACs（包含direct thrombin inhibitor dabigatran and direct factor Xa inhibitors apixaban, edoxaban, rivaroxaban等四

種藥品）之非瓣膜性AF病人（ICD-9 427.3, ICD-10 I48），並由首次用藥日開始追蹤至用藥後一年、死亡、發生重大出血或失去追蹤。重大出血之定義乃依據國際血栓暨凝血學會（International Society on Thrombosis and Haemostasis ,ISTH）非手術病人重大出血事件所指之致死性出血；體內重要器官或特殊部位出血；以及出血所致hemoglobin下降超過2g/dL或需要輸注2個單位全血或紅血球細胞者等三項。三、分析與結果：納入研究對象為14,574人，男性6,138人（42.12%）、女性8,436人（57.88%），平均觀察期為8.4個月；

在研究期間內發生致死性出血者，共有109件；體內重要器官或特殊部位出血者，共有527件。研究發現胰島素、抗黴菌劑及貧血是重大出血事件的重要預測因子，以機器學習方法比較現況HAS-BLED score的c-index（RF 0.738, 95% CI 0.703-0.773；XGBoost0.731, 95%CI 0.697-0.766；LR 0.725, 95%CI 0.692-0.759；SVM 0.664, 95%CI 0.623-0.705）及modified HAS-BLED score的c-index（RF 0.81, 95%CI 0.780-0.841；XGBoost0.800,

95%CI 0.767-0.833；LR 0.795, 95%CI 0.763-0.826；SVM 0.737, 95%CI 0.702-0.772）新模型風險預測結果，證實modified HAS-BLED score出血風險預測能力確實優於現有評分工具。四、討論：運用真實世界之大數據進行機器學習，確實能找出亞洲族群具重大臨床意義之出血風險因子，與傳統評估工具HES-BLEDscore相比，以胰島素、抗黴菌劑及貧血調整後之新模型確實提供了更準確的風險預測能力，且增加臨床執行可近性。

華台英夾雜語音辨認系統初步探討

為了解決HMM tracking taiwan的問題，作者張家瑜 這樣論述：

摘要 iABSTRACT iii誌謝 iv目錄 v表目錄 viii圖目錄 xi第1章 緒論 11.1 動機與問題 11.2 背景 21.3 研究方法 31.3.1 台語語音辨認系統 31.3.2 華台英夾雜語音辨認系統 3第2章 相關研究 62.1 聲學模型 62.1.1 Shared-Hidden Layer 62.1.2 End-to-End 62.2 語言模型 82.2.1 Data Augmentation 82.2.2 Code-switching文句生成 92.3 討論 10第3章 台語語音辨認系統 113.1 TAT語料庫建置 113

.2 台語語音辨認比賽 133.2.1 比賽規則、參賽者、提供語料、辭典與Baseline系統 133.2.2 參賽者 163.2.3 參賽者測試結果 163.2.4 比賽結果總結 213.3 自有台語語音辨認系統建置 213.3.1 Track1：輸出華文 223.3.2 Track2：輸出台文正字 243.3.3 Track3：輸出台羅拼音 263.4 結果分析與討論 283.4.1 Track1：輸出華文 283.4.2 Track2：輸出台文正字 293.4.3 Track1：輸出台羅拼音 293.4.4 總結 29第4章 華台英夾雜語音辨認系統與實驗設定

314.1 多語聲學模型 324.1.1 Hybrid HMM/DNN 324.1.2 Language-Independent E2E Neural Network 324.2 多語語言模型 334.2.1 人工多語夾雜語料擴充 344.2.2 GAN 344.3 實驗設置 364.3.1 實驗流程 364.3.2 人工資料擴充 364.3.3 GAN資料擴充 374.3.4 指標 414.4 測試語料 424.4.1 真實測試語料 424.4.2 模擬測試語料 46第5章 華台英夾雜語音辨認系統實驗結果 495.1 實驗一HYBRID HMM/DNN 49

5.1.1 Baseline 495.1.2 人工資料擴充 565.1.3 GAN資料擴充-華英夾雜 585.1.4 GAN資料擴充-華台夾雜 615.1.5 人工資料擴充加上GAN資料擴充 645.1.6 結果分析與討論 675.2 實驗二END TO END 685.2.1 Baseline 695.2.2 資料擴充 735.2.3 結果分析與討論 76第6章 結論與未來展望 786.1 台語語音辨認系統 786.2 華台英夾雜語音辨認系統 79參考文獻 81