Date of publication XXXX 00, 0000, date of current version XXXX 00, 0000

Figure 2. Head of initial version of MIMIC IV dataset
3.2 Data pre-processing 
Data pre-processing is an important step in the machine 
learning process as it helps to prepare the data for analysis and 
modeling. Some of the key reasons for the importance of data 
pre-processing. For example, data cleaning helps to identify 
and remove any errors, inconsistencies, or missing values in 
the data. This helps to ensure that the data is accurate and 
reliable for analysis and modeling. Data normalization needs 
to normalize the data by scaling or transforming it to a 
common range or format. This helps to ensure that the data is 
in a consistent format and that the model is not affected by 
outliers or extreme values. Data transformation is also an 
essential part that transforms the data into a format that is more 
suitable for the machine learning model being used. This may 
involve converting categorical data into numerical data or 
creating new features from existing data. The next example is 
Feature selection helps to select the most relevant features for 
the model. This helps to reduce the dimensionality of the data 
and improve the performance of the model by eliminating 
noise and reducing overfitting. The last two are Handling 
missing values and Handling imbalanced data that handle 
missing values by filling in missing data or removing instances 
with missing data and helping to handle imbalanced data by 
oversampling, and under sampling. Overall, data pre-
processing is an essential step in the machine learning process 
as it helps to ensure that the data is clean, consistent, and in a 
suitable format for analysis and modeling. 
In the initial version of the dataset, there was not any clinic 
event target whereas PEACE-Home [28] proposed a system 
for monitoring patients in a home-based setting using vital 
signs such as heart rate, blood pressure, and respiratory rate. 
The system uses probabilistic estimation to identify abnormal 
clinical events, such as deterioration in a patient's condition, 
by analyzing correlations among vital signs and separating 
clinic events as target data while clustering and using relied-
on expert system. Data labeling is a process of assigning labels 
or tags to data, for it to be used for training or evaluating 
machine learning models. In the context of PEACE-Home, 
data labeling would likely involve the process of identifying 
and tagging instances of abnormal clinical events within the 
vital sign data collected from patients in a home-based setting. 
This can be done through manual annotation by healthcare 
professionals or through the use of algorithms to automatically 
identify and label events of interest. 
The labeled data is used to train machine learning models to 
identify and classify abnormal clinical events using vital sign 
correlations. The model can then be used to monitor patients 
in a home-based setting and identify potential health problems 
early on. Table 1 shows the labeled clinic event data from the 
MIMIC IV dataset by using the PEACE-home method.
 
Labels 
Reason 
Threshold values 
0 
1 
2 
3 
4 
Hypertension 
High BP 
(SBP
≥120 and DBP≥80) 
or MBP≥105 
X 
X 
X 
○
X 
Hypotension 
Low BP 
(SBP
≤90 and DBP≤60) or 
MBP≤70
X 
○
○
X 
○
Tachycardia 
High HR 
HR 
≥
100 
X 
○
X 
○
○
Bradycardia 
Low HR 
HR ≤ 60
X 
X 
○
X 
X 
Tachypena 
High RR 
RR ≥ 17
X 
○
○
○
X 
Bradypena 
Low RR 
RR ≤ 12
X 
X 
X 
X 
○
Hypoxia 
Low SPO
2 
SPO
2
≤ 93%
X 
○
○
○
○
Acronym 
NNN 
THTH 
BHTH 
TTTH 
THBH 
Number of 
samples 
700 
500 
340 
470 
410 

---

Ruzaliev R: 
Federated Learning for Clinical Event Classification Using Vital 
Signs Data 
2 
VOLUME XX, 2023