MétaCan
Menu
Retour à la cohorte
Enregistrement W4280652741 · doi:10.3390/app12104966

CageView: A Smart Food Control and Monitoring System for Phenotypical Research In Vivo

2022· article· en· W4280652741 sur OpenAlexaff
Mohammad Saeedi, Ali Maddahi, Amir Mahdi Nassiri, Michael Jackson, Kourosh Zareinia

Notice bibliographique

RevueApplied Sciences · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Chemical Sensor Technologies
Établissements canadiensUniversity of ManitobaToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésScheduleComputer scienceReal-time computingConvolutional neural networkSet (abstract data type)Artificial intelligenceEmbedded systemOperating system

Résumé

récupéré en direct d'OpenAlex

The present work introduces an automated and smart system (named CageView) used to monitor a mouse, detect motion, and control access to food in accordance with experimental schedules. We describe the components of the CageView platform and give a summarized description on how we employed a convolutional neural network to detect and recognize a mouse in real time before presenting the results of a case study. In particular, CageView is a programmable and remotely operable system such that (1) an experimenter at a remote workstation may set up a feeding and fasting schedule that allows feeding and fasting without requiring the physical presence of a staff member, (2) the experimenter can control access to food in real time regardless of the preset schedule, (3) the experimenter has real-time access to a live video feed to assess the mouse, (4) an artificial intelligence system tracks the mouse’s location and physical activity, and (5) a record is kept of activity, which can be displayed as a 2D representation of mouse movement or a histogram showing mouse movement in 15-min blocks for the duration of the experiment.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,265

Scores Codex et Gemma par catégorie

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

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 Opus0,050
Tête enseignante GPT0,296
Écart entre enseignants0,246 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetAdvanced Chemical Sensor TechnologiesTravaux en français237 207