Andere Kunden interessierten sich auch für
![Analyse comparative des variantes LBP pour la détection de la falsification d'images]( "Analyse comparative des variantes LBP pour la détection de la falsification d'images")
Analyse comparative des variantes LBP pour la détection de la falsification d'images29,99 €![Étude des modèles avancés de ML et DL pour la détection des fraudes à la carte de crédit]( "Étude des modèles avancés de ML et DL pour la détection des fraudes à la carte de crédit")
Étude des modèles avancés de ML et DL pour la détection des fraudes à la carte de crédit51,99 €![Reconnaissance et détection de visages spécifiques à une personne par CNN]( "Reconnaissance et détection de visages spécifiques à une personne par CNN")
Reconnaissance et détection de visages spécifiques à une personne par CNN26,99 €![Nouveau système de prédiction des maladies utilisant des techniques hybrides d'apprentissage profond]( "Nouveau système de prédiction des maladies utilisant des techniques hybrides d'apprentissage profond")
Nouveau système de prédiction des maladies utilisant des techniques hybrides d'apprentissage profond51,99 €![Reconnaissance de l'activité humaine grâce à l'apprentissage profond]( "Reconnaissance de l'activité humaine grâce à l'apprentissage profond")
Reconnaissance de l'activité humaine grâce à l'apprentissage profond44,99 €![FLAMED : Une approche d'apprentissage profond pour la détection en temps réel des incendies et des fumées]( "FLAMED : Une approche d'apprentissage profond pour la détection en temps réel des incendies et des fumées")
FLAMED : Une approche d'apprentissage profond pour la détection en temps réel des incendies et des fumées39,99 €![Système de Détection d'Intrusion basé sur l'apprentissage profond]( "Système de Détection d'Intrusion basé sur l'apprentissage profond")
Système de Détection d'Intrusion basé sur l'apprentissage profond40,99 €
Cet article présente DeepCOPD, une approche innovante d'apprentissage profond pour la détection précise de la maladie pulmonaire obstructive chronique (MPOC) à l'aide de l'analyse des sons respiratoires. L'approche proposée utilise un modèle de réseau neuronal convolutif (CNN) entraîné sur une base de données de sons respiratoires contenant des sifflements, des craquements et à la fois des craquements et des sifflements. Pour surmonter le défi que représente un petit ensemble de données, des techniques innovantes telles que le réglage fin spécifique à l'appareil, l'augmentation basée sur la concaténation, l'écrêtage des régions vierges et le rembourrage intelligent sont employées. Ces techniques permettent une utilisation efficace de l'ensemble de données, ce qui se traduit par une précision impressionnante de 90 à 95 %. La mise en oeuvre comprend une application avec une interface conviviale développée à l'aide de HTML, CSS, Flask et Heroku. En s'appuyant sur l'apprentissage profond et l'analyse des bruits respiratoires, l'application offre une solution prometteuse pour la détection précise de la BPCO, apportant des avancées significatives dans la surveillance de la santé respiratoire. Les utilisateurs peuvent télécharger des sons respiratoires dans l'application pour la détection de la BPCO, améliorant ainsi le diagnostic précoce et les résultats pour les patients.