Multi sensor based monitoring of paralyzed using Emperor Penguin Optimizer and Deep Maxout Network
Notice bibliographique
Résumé
The correct sitting posture in a wheelchair is crucial for paralyzed people. This helps prevent problems such as pressure ulcers, muscle contractures, and respiratory problems. A paralyzed person with poor sitting posture is highly likely to slip out of their wheelchair. To prevent this from happening and consistently maintain paralyzed individuals under observation, a new model, the Emperor Penguin Optimized Sensor-Infused Wheelchair (EPIC), has been designed to monitor the position and health of the individual in the wheelchair in real-time. A Force Sensitive Resistor (FSR) sensor and an ultrasonic sensor continuously transmit information to the Arduino UNO R4 Wi-Fi board. The Emperor Penguin Optimizer Algorithm (EPOA) was used to select the features sent from the Arduino board to the ESP8266-Wi-Fi module. A Deep Maxout Network (DMN) was used to predict the posture of a wheelchair-using patient following the feature selection phase. A mobile application for Android collects data from the ESP32 module and estimates posture to inform the caretaker about the user's current posture and health status. Evaluation metrics such as precision, accuracy, sensitivity, and specificity have been used to determine the efficiency in the EPIC framework, which improves overall accuracy by 10.1%, 7.73%, and 2.84% for better posture recognition.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».