Andere Kunden interessierten sich auch für
![Detecção de linguagem de sinais usando aprendizado profundo]( "Detecção de linguagem de sinais usando aprendizado profundo")
Detecção de linguagem de sinais usando aprendizado profundo29,99 €![Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens]( "Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens")
Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens29,99 €![Estudo de modelos avançados de ML e DL para deteção de fraudes com cartões de crédito]( "Estudo de modelos avançados de ML e DL para deteção de fraudes com cartões de crédito")
Estudo de modelos avançados de ML e DL para deteção de fraudes com cartões de crédito51,99 €![Novo sistema de previsão de doenças utilizando técnicas híbridas de aprendizagem profunda]( "Novo sistema de previsão de doenças utilizando técnicas híbridas de aprendizagem profunda")
Novo sistema de previsão de doenças utilizando técnicas híbridas de aprendizagem profunda51,99 €![FLAMED: Uma abordagem de aprendizagem profunda para a deteção de incêndios e fumo em tempo real]( "FLAMED: Uma abordagem de aprendizagem profunda para a deteção de incêndios e fumo em tempo real")
FLAMED: Uma abordagem de aprendizagem profunda para a deteção de incêndios e fumo em tempo real39,99 €![Sistema de detecção de intrusões baseado na aprendizagem profunda]( "Sistema de detecção de intrusões baseado na aprendizagem profunda")
Sistema de detecção de intrusões baseado na aprendizagem profunda40,99 €![Reconhecimento e Detecção de Rosto Específico de Pessoa Baseada na CNN]( "Reconhecimento e Detecção de Rosto Específico de Pessoa Baseada na CNN")
Reconhecimento e Detecção de Rosto Específico de Pessoa Baseada na CNN26,99 €
Este documento apresenta o DeepCOPD, uma abordagem inovadora de aprendizagem profunda para a deteção precisa da Doença Pulmonar Obstrutiva Crónica (DPOC) utilizando a análise do som respiratório. A abordagem proposta utiliza um modelo de Rede Neural Convolucional (CNN) treinado em um banco de dados de sons respiratórios contendo sibilos, crepitações e tanto crepitações quanto sibilos. Para superar o desafio de um pequeno conjunto de dados, são utilizadas técnicas inovadoras, como o ajuste fino específico do dispositivo, o aumento baseado na concatenação, o recorte de regiões em branco e o preenchimento inteligente. Estas técnicas permitem uma utilização eficiente do conjunto de dados, resultando numa precisão impressionante de 90% a 95%. A implementação inclui um aplicativo com uma interface amigável desenvolvida usando HTML, CSS, Flask e Heroku. Ao tirar partido da aprendizagem profunda e da análise de sons respiratórios, a aplicação oferece uma solução promissora para a deteção precisa da DPOC, proporcionando avanços significativos na monitorização da saúde respiratória. Os utilizadores podem carregar áudios de sons respiratórios para a aplicação para deteção de DPOC, melhorando o diagnóstico precoce e melhorando os resultados dos pacientes.