Tymoteusz Krzepina:"Development of an educational application to support the identification of the target patient group for the the selected glucometer model"
w obsłudze i skuteczna w ułatwianiu wyboru odpowiedniego urządzenia. Projekt osiągnął swój cel, oferując narzędzie przydatne dla pacjentów.
of a glucometer tailored to the individual needs of patients with diabetes. The created
application, was based on Android Studio, Flutter and SQLite technologies, allows users
to enter glucometer preferences and then generates tailored recommendations. Research on the app has shown it to be stable, intuitive to use and effective in facilitating the
selection of the right device. The project has achieved its goal, offering a tool that is useful to patients.
Jeremi Krajewski: "Recognition of sign alphabet from EMG signal using convolutional neural networks."
Justyna Konior "Development of a classification algorithm for basic and distracting driving activities, based on multimodal signals and (deep) machine learning methods."
GB: The aim of this paper is the creation of a deep learning-based system for identifying driver activities. This study is entirely performed on the basis of the signal acquired from JINS MEME Smart Glasses equipped with a set of EOG sensors, and a set of accelerometer and velocity sensors. A 1D CNN model was developed, which then uses the preprocessed EOG and accelerometer readings to categorize the subsequent driving behaviors: primary activities - crossroad turning left, right and going straight,
angle parking left and right, parallel parking left and right, perpendicular parking left and right, roundabout turning left, right and going straight and secondary activities - bending, drinking, eating and turning back. The results obtained were divided into three categories. For the binary classification between secondary and primary activities, an accuracy rate of 99.5 % was achieved. An analysis of classifications for a specific set of activities, comprising crossroad, parking, roundabout, and secondary activities,
produced accuracy values of 97.9%, 96.8%, 97.4% and 99.5%, respectively. Finally, recognizing each behavior independently demonstrated satisfactory accuracy, precision, and f1 score at the level of 80%. The secondary activity of drinking was predicted with the greatest degree of accuracy, while primary parallel parking on the left side and perpendicular parking on the right side with the smallest.
PL: Celem niniejszej pracy jest stworzenie opartego na głębokim uczeniu systemu do identyfikacji aktywności kierowcy. Badanie to jest w całości wykonane na podstawie sygnału pozyskanego z inteligentnych okularów JINS MEME Academic Pack wyposażonych w zestaw czujników EOG,
akcelerometr oraz czujniki prędkości. Opracowano model 1D CNN, który następnie wykorzystuje pozyskane wstępnie przetworzone sygnały z EOG i akcelerometru do kategoryzacji poszczególnych zachowań kierowcy: czynności podstawowe - skrzyżowanie skręt w lewo, skręt w prawo i jazda prosto, parkowanie skośne w lewo i w prawo, parkowanie równoległe w lewo i w prawo, parkowanie prostopadłe w lewo i w prawo, rondo skręcanie w lewo, w prawo i jazda prosto oraz czynności drugorzędne - schylanie się, picie, jedzenie i odwracanie się. Uzyskane wyniki podzielono na trzy kategorie. Dla klasyfikacji binarnej pomiędzy czynnościami drugo- i pierwszorzędnymi uzyskano wskaźnik dokładności 99,5%.
Analiza klasyfikacji dla określonego zestawu czynności, obejmującego skrzyżowanie, parkowanie, rondo i czynności drugorzędne, dała wartości dokładności wynoszące odpowiednio 97,9%, 96,8%, 97,4% and 99,5%.
Ostatecznie, rozpoznanie każdego zachowania niezależnie wykazało zadowalającą dokładność, precyzję, czułość oraz wynik f1 na poziomie 80%. Czynność drugorzędna, jaką jest picie, została przewidziana z największą dokładnością, natomiast z najmniejszą pierwszorzędne parkowanie równoległe po lewej stronie oraz parkowanie prostopadłe po prawej stronie.
Eva Odima Berepiki "Implementation of an application that supports diagnosis of major cardiovascular disease"
The goal of this thesis is to research and develop an application for diagnosing severe cardiovascular diseases that is easy to use and effective. To achieve this aim, the
following research questions are addressed in this thesis:
1. How can an ontology-database model be designed and implemented to support the diagnosis of major CVD?
2. What are the benefits and limitations of using an ontology-database model over Chapter 1: Introduction existing models for CVD diagnosis?
3. How can the prototype application be further developed and evaluated in a real - world setting?
The ideology also considers scenarios with no access to qualitative/quantitative datasets or data from medical devices. Input for this ontology database model comes from user symptoms, a simple data collection form. The project provides a state of awareness for non-scientists and non-physicians, improves the knowledge of medical professionals, and reduces the time between the onset of a disease and its diagnosis and treatment, which in turn can reduce mortality rates.
Celem pracy jest zbadanie i opracowanie aplikacji do diagnozowania ciężkich chorób układu krążenia, która będzie łatwa w użyciu i skuteczna. Aby osiągnąć ten cel, w
w niniejszej pracy postawiono następujące pytania badawcze:
1. W jaki sposób można zaprojektować i wdrożyć model bazy danych ontologii, aby wspierać diagnozę poważnych CVD?
2. Jakie są zalety i ograniczenia stosowania modelu ontologii-bazy danych w porównaniu z rozwiązaniami przedstawionymi w Rozdziałe 1: Wprowadzenie do istniejących modeli diagnozy CVD?
3. W jaki sposób prototypowa aplikacja może być dalej rozwijana i oceniana w rzeczywistych warunkach?
Idea pracy uwzględnia również scenariusze bez dostępu do zestawów danych jakościowych/ilościowych lub danych z urządzeń medycznych. Dane wejściowe dla tego ontologicznego modelu bazy danych pochodzą z symptomów użytkownika, prostego formularza zbierającego dane. Projekt zapewnia stan świadomości osób niebędących naukowcami i nielekarzami, poprawia wiedzę pracowników służby zdrowia oraz skraca czas między wystąpieniem choroby a jej rozpoznaniem i leczeniem, co z kolei może zmniejszyć śmiertelność.
Agnieszka Łach: Deformable registration for AR Assisted Surgery
Celem pracy było zaproponowanie algorytmu dedykowanemu automatycznemu wsparciu wyznaczenia deformacji struktur 3D, z uzyskanych przedoperacyjnych skanów laparoskopowych CT. Dokładność metody oszacowano na podstawie pomiarów ręcznych anatomii struktury docelowej, która miała zostać zdeformowana w wyniku zaproponowanego w pracy algorytmowi. Ocena tak określonej deformacji metodami automatycznymi jest niemożliwa, dlatego sięgnięto po opinię eksperta w kontekście zachowanej geometrii w stosunku do anatomii deformowanej struktury. Ekspert ocenił, że powstałe w ramach zaproponowanego w pracy algorytmu deformacje zostały zatwierdzone w skali 1-10, ze średnią ≈ 9 ,przy 10 ,jako najwyższej w skali ocenie.
Czytaj więcej: Agnieszka Łach: Deformable registration for AR Assisted Surgery
Więcej artykułów…
- Agnieszka Radziun: Baza danych dla placówki medycznej w środowisku MariaDB
- Łukasz Grabny: Wykonanie aplikacji określającej szybkość i efektywność czytania z wykorzystaniem okularów smart JINS MEME_R
- Rafał Kulik: Aplikacja wspierająca diagnostykę cukrzycy oraz porównanie poziomu wiedzy na temat cukrzycy diabetyków z osobami niezdiagnozowanymi pod kątem występowania choroby
- Łukasz Lubina: System raportowy wykorzystujący hurtownie danych w celu analizowania danych produkcyjnych.
Najciekawsze tematy prac
Eva Odima Berepiki "Implementation of an application that supports diagnosis of major cardiovascular disease"
The goal of this thesis is to research and develop an application for diagnosing severe cardiovascular diseases that is easy to use and effective. To achieve this aim, the
following research questions are addressed in this thesis:
1. How can an ontology-database model be designed and implemented to support the diagnosis of major CVD?
2. What are the benefits and limitations of using an ontology-database model over Chapter 1: Introduction existing models for CVD diagnosis?
3. How can the prototype application be further developed and evaluated in a real - world setting?
The ideology also considers scenarios with no access to qualitative/quantitative datasets or data from medical devices. Input for this ontology database model comes from user symptoms, a simple data collection form. The project provides a state of awareness for non-scientists and non-physicians, improves the knowledge of medical professionals, and reduces the time between the onset of a disease and its diagnosis and treatment, which in turn can reduce mortality rates.
Celem pracy jest zbadanie i opracowanie aplikacji do diagnozowania ciężkich chorób układu krążenia, która będzie łatwa w użyciu i skuteczna. Aby osiągnąć ten cel, w
w niniejszej pracy postawiono następujące pytania badawcze:
1. W jaki sposób można zaprojektować i wdrożyć model bazy danych ontologii, aby wspierać diagnozę poważnych CVD?
2. Jakie są zalety i ograniczenia stosowania modelu ontologii-bazy danych w porównaniu z rozwiązaniami przedstawionymi w Rozdziałe 1: Wprowadzenie do istniejących modeli diagnozy CVD?
3. W jaki sposób prototypowa aplikacja może być dalej rozwijana i oceniana w rzeczywistych warunkach?
Idea pracy uwzględnia również scenariusze bez dostępu do zestawów danych jakościowych/ilościowych lub danych z urządzeń medycznych. Dane wejściowe dla tego ontologicznego modelu bazy danych pochodzą z symptomów użytkownika, prostego formularza zbierającego dane. Projekt zapewnia stan świadomości osób niebędących naukowcami i nielekarzami, poprawia wiedzę pracowników służby zdrowia oraz skraca czas między wystąpieniem choroby a jej rozpoznaniem i leczeniem, co z kolei może zmniejszyć śmiertelność.
Read More