Fast Mask Recurrent Convolutional Neural Network for IoT-Based Maternal and Fetal Monitoring in High-Risk Pregnancies
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
Ensuring the well-being of fetuses and their timely diagnosis for potential abnormalities is a critical aspect of healthcare.Early identification of intrauterine growth restriction can facilitate appropriate interventions and improve neonatal outcomes.This study presents a novel approach incorporating the Internet of Things (IoT) and Artificial Intelligence (AI) in the medical domain for the automatic detection of fetal abnormalities.IoT sensors were employed to gather maternal clinical data, including temperature, blood pressure, oxygen saturation levels, and fetal heart rate.A Fast Mask Recurrent Convolutional Neural Network (FMRCNN) was proposed to predict and accurately classify a range of conditions affecting pregnant women and their unborn children.The developed FMRCNN model learns, segments, and classifies fetal abdominal images to identify abnormalities.Additionally, a unified fetal abnormality prediction model was established to process and classify both fetal abdomen and brain ultrasound images.Comparative performance analysis was conducted using Convolutional Neural Networks (CNN), Random Forest (RF), and Support Vector Machine (SVM) algorithms.Evaluation metrics, such as F1score, accuracy, precision, recall, and sensitivity, were employed to assess the effectiveness of the proposed approach.The results indicate that the presented FMRCNN model holds promise for IoT-based maternal and fetal monitoring in high-risk pregnancies.
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 | 0,000 | 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