Integration of machine learning algorithms with electrical impedance tomography-based wearable sensors
Artykuł w czasopiśmie
MNiSW
70
Lista 2024
| Status: | |
| Warianty tytułu: |
Integracja algorytmów uczenia maszynowego z czujnikami noszonymi na ciele opartymi na elektrycznej tomografii impedancyjnej
|
| Autorzy: | Dziadosz Marcin, Mazurek Mariusz, Wójcik Dariusz, Oleszek Michał |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2025 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 3 |
| Wolumen/Tom: | 101 |
| Strony: | 91 - 94 |
| Impact Factor: | 0,4 |
| Scopus® Cytowania: | 0 |
| Bazy: | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Otwarte czasopismo |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 1 marca 2025 |
| Abstrakty: | angielski | polski |
| The article describes a solution integrating machine learning algorithms and electrical impedance tomography-based wearable sensors. The main aim of the project was to develop a device that can assess the state of the urinary bladder in a non-invasive way. The research methods included XGBoost, Extremely Randomized Trees, Elastic Net, NNNET, and RPART Decision Tree. The obtained reconstructions of the simulated urinary bladder were presented, and a comparative analysis of the algorithms was performed. | |
| W artykule opisano rozwiązanie integrujące algorytmy uczenia maszynowego i czujniki noszone na ciele oparte na elektrycznej tomografii impedancyjnej. Głównym celem projektu było opracowanie urządzenia, które może oceniać stan pęcherza moczowego w sposób nieinwazyjny. Metody badawcze obejmowały XGBoost, Extremely Randomized Trees, Elastic Net, NNNET i RPART Decision Tree. Przedstawiono uzyskane rekonstrukcje symulowanego pęcherza moczowego i przeprowadzono analizę porównawczą algorytmów. (Integracja algorytmów uczenia maszynowego z czujnikami noszonymi na ciele opartymi na elektrycznej tomografii impedancyjnej). |
