NEURAL NETWORK-BASED PREDICTION OF CARDIOVASCULAR RESPONSE DUE TO THE GRAVITATIONAL EFFECTS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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) | 0,000 | 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 découle