MétaCan
Menu
Retour à la cohorte
Enregistrement W3021551732 · doi:10.1109/jsen.2020.2990587

Extracting Optimized Bio-Impedance Model Parameters Using Different Topologies of Oscillators

2020· article· en· W3021551732 sur OpenAlexaff
Menna Mohsen, Lobna A. Said, Ahmed S. Elwakil, Ahmed H. Madian, Ahmed G. Radwan

Notice bibliographique

RevueIEEE Sensors Journal · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueSensor Technology and Measurement Systems
Établissements canadiensUniversity of Calgary
Organismes subventionnairesScience and Technology Development Fund
Mots-clésRelaxation oscillatorElectrical impedanceDispersion (optics)Relaxation (psychology)Nonlinear systemBiological systemSet (abstract data type)MathematicsNetwork topologyWork (physics)Topology (electrical circuits)Control theory (sociology)Computer scienceEngineeringPhysicsArtificial intelligenceElectrical engineeringMechanical engineeringOptics

Résumé

récupéré en direct d'OpenAlex

This paper demonstrates the possibility of extracting the single-dispersion and double-dispersion Cole-bio-impedance model parameters using oscillators (sinusoidal or relaxation). The method is based on replacing selected components in the oscillator structure with the biological sample under test and then using the Flower Pollination optimization Algorithm (FPA) to solve a set of nonlinear equations in order to extract the unknown model parameters. Minimum component sinusoidal oscillators and relaxation oscillators are used in this work and experimental results on three samples of four different fruits (Apple, Guava, Eggplant, and Tomato) are reported and compared with results obtained from a precise research-grade BioLogic SP150 electrochemical station.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,114
Tête enseignante GPT0,289
Écart entre enseignants0,175 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations33
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Sensors JournalMême sujetSensor Technology and Measurement SystemsTravaux en français237 207