Published September 6, 2022
| Version v1
Publication
Future Challenges of Particulate Matters (PMs) Monitoring by Computing Associations Among Extracted Multimodal Features Applying Bayesian Network Approach
Creators
- 1. Princess Nourah bint Abdulrahman University
- 2. Umm al-Qura University
- 3. King Khalid University
- 4. University of Azad Jammu and Kashmir
- 5. Prince Sattam Bin Abdulaziz University
Description
The particulate matter (PM) is emitted from diverse sources and affects the human health very badly. In the past, researchers applied different automated computational tools in the predication of PM. Accurate prediction of PM requires more relevant features and feature importance. In this research, we first extracted the multimodal features from time domain standard deviation average (SDAPM), standard deviation of standard deviation (SDSD), standard deviation of particulate matter (SDPM), root-mean square of standard deviation (RMSSD), and nonlinear dynamical measure wavelet entropy (WE) – Shannon, norm, threshold, multiscale entropy based on KD tree (MSEKD), and multiscale approximate entropy (MAEnt). We then applied the intelligent-based Bayesian inference approach to compute the strength of relationship among multimodal features. We also computed total incoming and outgoing forces between the features (nodes). The results reveal that there was a very highly significant correlation (p-value <0.05) between the selected nodes. The highest total force was yielded by WE-norm followed by SDAPM and SDPM. The association will further help to investigate that which extracted features are more positively or negatively correlated and associated with each other. The results revealed that the proposed methodology can further provide deeper insights into computing the association among the features.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تنبعث الجسيمات الدقيقة (PM) من مصادر متنوعة وتؤثر على صحة الإنسان بشكل سيء للغاية. في الماضي، طبق الباحثون أدوات حسابية آلية مختلفة في توقع PM. يتطلب التنبؤ الدقيق بإدارة الأداء المزيد من الميزات ذات الصلة وأهمية الميزة. في هذا البحث، استخرجنا أولاً ميزات الوسائط المتعددة من متوسط الانحراف المعياري للنطاق الزمني (SDAPM)، والانحراف المعياري للانحراف المعياري (SDSD)، والانحراف المعياري للجسيمات (SDPM)، ومربع متوسط الجذر للانحراف المعياري (RMSSD)، وإنتروبيا القياس الديناميكي غير الخطي (WE) – شانون، المعيار، العتبة، الإنتروبيا متعددة المقاييس بناءً على شجرة KD (MSEKD)، والإنتروبيا التقريبية متعددة المقاييس (MAEnt). ثم طبقنا نهج الاستدلال البايزي القائم على الذكاء لحساب قوة العلاقة بين الميزات متعددة الوسائط. كما قمنا بحساب إجمالي القوى الواردة والصادرة بين الميزات (العقد). تكشف النتائج عن وجود ارتباط كبير للغاية (قيمة p <0.05) بين العقد المحددة. تم إنتاج أعلى قوة إجمالية بواسطة WE - norm تليها SDAPM و SDPM. سيساعد الارتباط أيضًا في التحقيق في ما ترتبط به الميزات المستخرجة بشكل أكثر إيجابية أو سلبية وترتبط ببعضها البعض. كشفت النتائج أن المنهجية المقترحة يمكن أن توفر رؤى أعمق في حساب الارتباط بين الميزات.Translated Description (French)
Les particules (PM) sont émises à partir de diverses sources et affectent très gravement la santé humaine. Dans le passé, les chercheurs ont appliqué différents outils de calcul automatisés dans la prédication de la MP. La prédiction précise des MP nécessite des caractéristiques plus pertinentes et une importance des caractéristiques. Dans cette recherche, nous avons d'abord extrait les caractéristiques multimodales de la moyenne de l'écart-type dans le domaine temporel (SDAPM), de l'écart-type de l'écart-type (SDSD), de l'écart-type des particules (SDPM), du carré de l'écart-type (RMSSD) et de l'entropie des ondelettes de mesure dynamique non linéaire (WE) – Shannon, norme, seuil, entropie multi-échelle basée sur l'arbre KD (MSEKD) et entropie approximative multi-échelle (MAEnt). Nous avons ensuite appliqué l'approche d'inférence bayésienne basée sur l'intelligence pour calculer la force de la relation entre les caractéristiques multimodales. Nous avons également calculé le total des forces entrantes et sortantes entre les fonctionnalités (nœuds). Les résultats révèlent qu'il y avait une corrélation très hautement significative (valeur de p <0,05) entre les nœuds sélectionnés. La force totale la plus élevée a été produite par WE-norm, suivie de SDAPM et SDPM. L'association aidera en outre à étudier ce que les caractéristiques extraites sont plus positivement ou négativement corrélées et associées les unes aux autres. Les résultats ont révélé que la méthodologie proposée peut fournir des informations plus approfondies sur le calcul de l'association entre les caractéristiques.Translated Description (Spanish)
La materia particulada (PM) se emite de diversas fuentes y afecta muy negativamente a la salud humana. En el pasado, los investigadores aplicaron diferentes herramientas computacionales automatizadas en la predicción de PM. La predicción precisa de PM requiere características más relevantes e importancia de las características. En esta investigación, primero extrajimos las características multimodales del promedio de desviación estándar en el dominio del tiempo (SDAPM), la desviación estándar de la desviación estándar (SDSD), la desviación estándar de la materia particulada (SDPM), el cuadrado medio de la raíz de la desviación estándar (RMSSD) y la entropía wavelet de medida dinámica no lineal (WE) – Shannon, norma, umbral, entropía multiescala basada en el árbol KD (MSEKD) y entropía aproximada multiescala (MAEnt). A continuación, aplicamos el enfoque de inferencia bayesiana basado en la inteligencia para calcular la fuerza de la relación entre las características multimodales. También calculamos las fuerzas entrantes y salientes totales entre las características (nodos). Los resultados revelan que hubo una correlación muy significativa (valor p <0,05) entre los nodos seleccionados. La fuerza total más alta fue producida por la norma WE seguida de SDAPM y SDPM. La asociación ayudará aún más a investigar qué características extraídas están más correlacionadas positiva o negativamente y asociadas entre sí. Los resultados revelaron que la metodología propuesta puede proporcionar información más profunda sobre el cálculo de la asociación entre las características.Additional details
Additional titles
- Translated title (Arabic)
- التحديات المستقبلية لرصد المواد الجسيمية (PMS) من خلال ارتباطات الحوسبة بين الميزات المتعددة الوسائط المستخرجة التي تطبق نهج الشبكة البايزية
- Translated title (French)
- Défis futurs de la surveillance des particules (PM) par les associations informatiques parmi les caractéristiques multimodales extraites en appliquant l'approche des réseaux bayésiens
- Translated title (Spanish)
- Future Challenges of Particulate Matters (PMs) Monitoring by Computing Associations Among Extracted Multimodal Features Applying Bayesian Network Approach
Identifiers
- Other
- https://openalex.org/W4294725056
- DOI
- 10.1080/08839514.2022.2112545
References
- https://openalex.org/W1498697570
- https://openalex.org/W1884260613
- https://openalex.org/W1964823917
- https://openalex.org/W1965555277
- https://openalex.org/W1968146349
- https://openalex.org/W1973326832
- https://openalex.org/W1977237136
- https://openalex.org/W1988883977
- https://openalex.org/W1989177329
- https://openalex.org/W1989262936
- https://openalex.org/W1994138876
- https://openalex.org/W1995875735
- https://openalex.org/W1998097302
- https://openalex.org/W1999075947
- https://openalex.org/W2000790306
- https://openalex.org/W2000971086
- https://openalex.org/W2005825070
- https://openalex.org/W2008437344
- https://openalex.org/W2009733466
- https://openalex.org/W2010248387
- https://openalex.org/W2017821162
- https://openalex.org/W2018235688
- https://openalex.org/W2020018956
- https://openalex.org/W2021341743
- https://openalex.org/W2021634850
- https://openalex.org/W2027567091
- https://openalex.org/W2028612155
- https://openalex.org/W2028899468
- https://openalex.org/W2030903397
- https://openalex.org/W2039696903
- https://openalex.org/W2039740589
- https://openalex.org/W2040489739
- https://openalex.org/W2043544484
- https://openalex.org/W2044740886
- https://openalex.org/W2044952036
- https://openalex.org/W2045896136
- https://openalex.org/W2046822759
- https://openalex.org/W2047309548
- https://openalex.org/W2049574345
- https://openalex.org/W2053491080
- https://openalex.org/W2055634176
- https://openalex.org/W2062403468
- https://openalex.org/W2064604759
- https://openalex.org/W2070528116
- https://openalex.org/W2075339399
- https://openalex.org/W2075491507
- https://openalex.org/W2076367034
- https://openalex.org/W2080697854
- https://openalex.org/W2080985301
- https://openalex.org/W2081813406
- https://openalex.org/W2085027702
- https://openalex.org/W2087425769
- https://openalex.org/W2091151456
- https://openalex.org/W2099720984
- https://openalex.org/W2111541102
- https://openalex.org/W2113609546
- https://openalex.org/W2113798118
- https://openalex.org/W2114585886
- https://openalex.org/W2115303064
- https://openalex.org/W2121012957
- https://openalex.org/W2126131095
- https://openalex.org/W2127643375
- https://openalex.org/W2127858336
- https://openalex.org/W2127865289
- https://openalex.org/W2130509427
- https://openalex.org/W2141701227
- https://openalex.org/W2142886525
- https://openalex.org/W2143075689
- https://openalex.org/W2147920174
- https://openalex.org/W2148550786
- https://openalex.org/W2149311494
- https://openalex.org/W2151109317
- https://openalex.org/W2151133928
- https://openalex.org/W2159905723
- https://openalex.org/W2162867601
- https://openalex.org/W2171451186
- https://openalex.org/W2172206238
- https://openalex.org/W2339066510
- https://openalex.org/W2353453863
- https://openalex.org/W2547315340
- https://openalex.org/W2552507388
- https://openalex.org/W2625412183
- https://openalex.org/W2762816612
- https://openalex.org/W2775276460
- https://openalex.org/W2783144574
- https://openalex.org/W2788703274
- https://openalex.org/W2795880562
- https://openalex.org/W2803080351
- https://openalex.org/W2903217888
- https://openalex.org/W2905481768
- https://openalex.org/W2925507233
- https://openalex.org/W2940350979
- https://openalex.org/W2951746268
- https://openalex.org/W2953908135
- https://openalex.org/W2961108943
- https://openalex.org/W2969897221
- https://openalex.org/W3000267823
- https://openalex.org/W3015887428
- https://openalex.org/W3016763055
- https://openalex.org/W3023399629
- https://openalex.org/W3026205176
- https://openalex.org/W3034712888
- https://openalex.org/W3080654259
- https://openalex.org/W3081416707
- https://openalex.org/W3087439305
- https://openalex.org/W3096871394
- https://openalex.org/W3098590676
- https://openalex.org/W3103529854
- https://openalex.org/W3109761717
- https://openalex.org/W3117655789
- https://openalex.org/W3126165211
- https://openalex.org/W3142593843
- https://openalex.org/W3154326455
- https://openalex.org/W3159815144
- https://openalex.org/W3161583274
- https://openalex.org/W3184836316
- https://openalex.org/W3191820337
- https://openalex.org/W4200532226
- https://openalex.org/W4237961478
- https://openalex.org/W4280621242