Compensating Electrode Errors Due to Electrode Detachment in Electrical Impedance Tomography
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
Electrical impedance tomography (EIT) shows a great promise for monitoring pul- monary and cardiovascular functions non-invasively. However, there are some challenges to bring EIT from the laboratory to daily clinical use in intensive care unit (ICU). One of the main challenges is the measurement errors caused by poor contact or de- tachment of electrodes due to the dynamics of en- vironment and human body. Such errors create large image artifacts and may even lead to misleading re- sults. Thus, there is a need for unsupervised failing electrode identification and electrode error compen- sation. We developed a novel formulation to compen- sate for such errors caused by failing electrodes and to eliminate image artifacts in real-time. We tested the error correction algorithms with measurements acquired on a cylindrical tank filled with a conduc- tive saline solution. A test object was placed at differ- ent positions inside the tank using a robotic system. For each position, several combinations of discon- nected electrodes were tested. The developed algo- rithm - evaluated by comparing the known test object with the reconstructed images - reduced image arti- facts caused by failing electrodes and thus improved the robustness of EIT measurements. The results also demonstrated that the proposed failing electrode compensation strategy was effective up to 6 discon- nected electrodes for a 32-electrode EIT system. The proposed strategy can help to use EIT as a practical and robust bedside imaging technique for ventilation monitoring.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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 | 0,001 |
| 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