Blood Group and Diabetes Detection from Fingerprints Using CNN
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
The increased demand for speed and accuracy in medical diagnosis has motivated the use of artificial intelligence techniques in the healthcare domain. There is an urgent need to take necessary steps for developing non-invasive and reliable systems to assist in diagnosis. The main aim of this work is to identify and implement modern artificial intelligence methods to speed up and increase the accuracy of blood group detection by using fingerprint images. In order to achieve higher accuracy, a deep learning-based approach of Convolutional Neural Networks (CNNs) has been incorporated and tested in this work. Several fingerprint parameters like ridge flow, ridge density, and minutiae points are considered in this work. In this project, a fingerprint-based dataset comprising different samples of blood groups has been used, as the accurate detection of blood groups plays a very important role in different medical emergencies and healthcare applications. The added advantage of the system is its non-invasive and time-saving nature, making it an effective alternative to traditional blood testing procedures. A module has been designed that predicts an individual's blood group by analysing their fingerprint image. This module focuses more on predictive analytics than invasive diagnostics, with a greater emphasis on automation and accessibility in the healthcare domain. The designed architecture will contribute to other AI-based biometric diagnosis systems, and it provides a concrete base for further medical image analysis and artificial intelligence applications. In addition to blood group identification, the system also includes a module for detecting the presence of diabetes based on fingerprint image features, making it useful for early health screening.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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