NEURAL NETWORK-BASED PREDICTION OF CARDIOVASCULAR RESPONSE DUE TO THE GRAVITATIONAL EFFECTS
Notice bibliographique
Résumé
It is well-documented in the literature that the orthostatic stress during flight maneuvers induces changes in pilots' cardiovascular system by imposing dramatic changes to the blood circulation process. Research reported for prediction of cardiovascular system dynamic response during G-transition is limited. As such, more models are needed to gain insight into the behavior of cardiovascular response during G-transition. Therefore, the objective of this paper is to develop two novel models based on: (1) artificial neural network (ANN) and (2) adaptive-network-based fuzzy inference system (ANFIS) to predict the variations of the blood pressure (BP) with respect to flight maneuver's parameters, i.e., dwell time, during G-transitions. The proposed models will be used to provide operational recommendations and pilot selection for any routinepredefined flight maneuver. The training data for ANN and ANFIS are based on experimental data sets collected from a man-rated electronic tilt table that applies gigahertz-acceleration transition from +0.861 Gz (head-up (HU)) to -0.767Gz (head-down (HD)) and back to +0.861 Gz (HU) using either pitch or roll rotation. A case study is presented on how the model is intended to be used in future to predict pilot's cardiovascular response and evaluate the pilot's qualification for a specific maneuver.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».