AUTOMATED DETECTION OF CHILDHOOD OBESITY IN ABDOMINOPELVIC REGION USING THERMAL IMAGING BASED ON DEEP LEARNING TECHNIQUES
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
Childhood obesity is a preventable disorder which can reduce the risk of the comorbidities linked with an adult obesity. In order to improve the lifestyle of the obese children, early and accurate detection is required by using some non-invasive technique. Thermal imaging helps in evaluation of childhood obesity without injecting any form of harmful radiation in human body. The goal of this proposed research is to evaluate the body surface temperature in abdominopelvic and cervical regions and to evaluate which region is best for predicting childhood obesity using thermal imaging. Next, to customize the ResNet-18 and VGG-19 architecture using transfer learning approach and to obtain the best modified classifier and to study the classification accuracy between normal and obese children. The two-study region which was selected for this study was abdominopelvic and cervical region where the mean skin surface temperature was recorded. From the two selected body regions, abdominopelvic region has depicted highest temperature difference of 10.98% between normal and obese subjects. The proposed modified ResNet-18 model produced an overall accuracy of 94.2% than the modified VGG-19 model (86.5%) for the classification of obese and normal children. Thus, this study can be considered as a non-invasive and cost-effective way for pre-screening the obesity condition in children.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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