CCL

Összesen 7 találat.
#/oldal:
Részletezés:
Rendezés:

1.

001-es BibID:BIBFORM121134
Első szerző:Al-Hamadani, Mokhaled N.A. (informatics)
Cím:Reinforcement Learning Algorithms and Applications in Healthcare and Robotics: A Comprehensive and Systematic Review / Mokhaled N. A. Al-Hamadani, Mohammed A. Fadhel, Laith Alzubaidi, Balazs Harangi
Dátum:2024
ISSN:1424-8220
Megjegyzések: Reinforcement learning (RL) has emerged as a dynamic and transformative paradigm in artificial intelligence, offering the promise of intelligent decision-making in complex and dynamic environments. This unique feature enables RL to address sequential decision-making problems with simultaneous sampling, evaluation, and feedback. As a result, RL techniques have become suitable candidates for developing powerful solutions in various domains. In this study, we present a comprehensive and systematic review of RL algorithms and applications. This review commences with an exploration of the foundations of RL and proceeds to examine each algorithm in detail, concluding with a comparative analysis of RL algorithms based on several criteria. This review then extends to two key applications of RL: robotics and healthcare. In robotics manipulation, RL enhances precision and adaptability in tasks such as object grasping and autonomous learning. In healthcare, this review turns its focus to the realm of cell growth problems, clarifying how RL has provided a data-driven approach for optimizing the growth of cell cultures and the development of therapeutic solutions. This review offers a comprehensive overview, shedding light on the evolving landscape of RL and its potential in two diverse yet interconnected fields.
Tárgyszavak:idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
reinforcement learning
dynamic programming
Monte Carlo
temporal difference
cell growth
object grasping and manipulation
Megjelenés:Sensors. - 24 : 8 (2024), p. 1-42. -
További szerzők:Fadhel, Mohammed A. Alzubaidi, Laith Harangi Balázs (1986-) (programtervező matematikus)
Pályázati támogatás:TKP2021-NKTA-34
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

2.

001-es BibID:BIBFORM072985
035-os BibID:(cikkazonosító)897 (WoS)000428805300218 (Scopus)85044260496
Első szerző:Csiszkó Adrienn
Cím:Pressure Distribution during Negative Pressure Wound Therapy of Experimental Abdominal Compartment Syndrome in a Porcine Model / Csiszkó Adrienn, Balog Klaudia, Godó Zoltán Attila, Juhász Gyula, Pető Katalin, Deák Ádám, Berhés Mariann, Németh Norbert, Bodnár Zsolt, Szentkereszty Zsolt
Dátum:2018
ISSN:1424-8220
Tárgyszavak:Orvostudományok Klinikai orvostudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Sensors. - 18 : 3 (2018), p. 1-11. -
További szerzők:Balog Klaudia (1988-) (sebész szakorvos) Godó Zoltán (1972-) (biológus, informatikus) Juhász Gyula Pető Katalin (1961-) (kutatóorvos) (Kísérletes orvostudomány) Deák Ádám (1974-) (állatorvos) Berhés Mariann (1975-) (orvos) Németh Norbert (1975-) (kutatóorvos) Bodnár Zsolt (1976-) (sebész) Szentkereszty Zsolt (1961-) (sebész)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

3.

001-es BibID:BIBFORM117871
035-os BibID:(cikkazonosító)524 (Scopus)85183252226
Első szerző:Godó Zoltán (biológus, informatikus)
Cím:A Custom-Tailored Multichannel Pressure Monitoring System Designed for Experimental Surgical Model of Abdominal Compartment Syndrome / Godó Zoltán Attila, Pető Katalin, Balog Klaudia, Deák Ádám, Ványolos Erzsébet, Fazekas László Ádám, Szentkereszty Zsolt, Németh Norbert
Dátum:2024
ISSN:1424-8220
Tárgyszavak:Orvostudományok Elméleti orvostudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Sensors. - 24 (2024), p. 1-12. -
További szerzők:Pető Katalin (1961-) (kutatóorvos) (Kísérletes orvostudomány) Balog Klaudia (1988-) (sebész szakorvos) Deák Ádám (1974-) (állatorvos) Ványolos Erzsébet (sebészeti műtéttan) Fazekas László Szentkereszty Zsolt (1961-) (sebész) Németh Norbert (1975-) (kutatóorvos)
Pályázati támogatás:K-139184
OTKA
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

4.

001-es BibID:BIBFORM118284
035-os BibID:(cikkazonosító)6008304 (WoS)001097548900005 (Scopus)85174839332
Első szerző:Pándy Árpád (szoftverfejlesztő rendszermérnök)
Cím:Steering Angle Prediction From a Camera Image as a Backup Service / Pandy, Arpad; Kovacs, Laszlo; Kovacs, Adam; Hajdu, Andras
Dátum:2023
ISSN:2475-1472
Megjegyzések:In this paper, we describe a method to predict the steering angle of the front wheels of a small-sized vehicle from a rear-view camera image. Our approach can be applied to give backup feedback for controlling units of autonomous vehicles or to detect anomalies in the running characteristics of the wheels. We determine how the emitted control (pulse-width modulation, PWM) signal correlates with the position of the wheel edges in the camera image. Thus, we can use the PWM values in a supervised learning scenario to train an appropriate convolutional neural network-based architecture to predict the steering angle. In our experiments, we found an approximately 95\% prediction accuracy for this task; we also made our data and source codes publicly available.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Autonomous Vehicles
Vehicle Control
Vision Sensors for Intelligent Vehicles
Video/Image Processing
Steering
Megjelenés:IEEE Sensors Letters. - 7 : 11 (2023), p. 1-4. -
További szerzők:Kovács László (1984-) (informatikus) Kovács Ádám Hajdu András (1973-) (matematikus, informatikus)
Pályázati támogatás:OTKA-143540
OTKA
TKP2020-NKA-04
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

5.

001-es BibID:BIBFORM121132
Első szerző:Serban Norbert
Cím:Distinguishing the Uterine Artery, the Ureter, and Nerves in Laparoscopic Surgical Images Using Ensembles of Binary Semantic Segmentation Networks / Norbert Serban, David Kupas, Andras Hajdu, Peter Török, Balazs Harangi
Dátum:2024
ISSN:1424-8220
Megjegyzések:Performing a minimally invasive surgery comes with a significant advantage regarding rehabilitating the patient after the operation. But it also causes difficulties, mainly for the surgeon or expert who performs the surgical intervention, since only visual information is available and they cannot use their tactile senses during keyhole surgeries. This is the case with laparoscopic hysterectomy since some organs are also difficult to distinguish based on visual information, making laparoscope-based hysterectomy challenging. In this paper, we propose a solution based on semantic segmentation, which can create pixel-accurate predictions of surgical images and differentiate the uterine arteries, ureters, and nerves. We trained three binary semantic segmentation models based on the U-Net architecture with the EfficientNet-b3 encoder; then, we developed two ensemble techniques that enhanced the segmentation performance. Our pixel-wise ensemble examines the segmentation mapof the binary networks on the lowest level of pixels. The other algorithm developed is a regionbased ensemble technique that takes this examination to a higher level and makes the ensemble based on every connected component detected by the binary segmentation networks. We also introduced and trained a classic multi-class semantic segmentation model as a reference and compared it to the ensemble-based approaches. We used 586 manually annotated images from 38 surgical videos for this research and published this dataset.
Tárgyszavak:idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
laparoscopic hysterectomy
semantic segmentation
ensemble model
Megjelenés:Sensors. - 24 : 9 (2024), p. 1-12. -
További szerzők:Kupás Dávid (1996-) (programtervező informatikus) Hajdu András (1973-) (matematikus, informatikus) Török Péter (1975-) (szülész-nőgyógyász) Harangi Balázs (1986-) (programtervező matematikus)
Pályázati támogatás:TKP2021-NKTA-34
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

6.

001-es BibID:BIBFORM109631
035-os BibID:(Cikkazonosító)2333 (WoS)000941569000001 (Scopus)85148971242 (Pubmed)36850931
Első szerző:Szeghalmy Szilvia (programtervező matematikus)
Cím:A Comparative Study of the Use of Stratified Cross-Validation and Distribution-Balanced Stratified Cross-Validation in Imbalanced Learning / Szilvia Szeghalmy, Attila Fazekas
Dátum:2023
ISSN:1424-8220
Megjegyzések:Nowadays, the solution to many practical problems relies on machine learning tools. However, compiling the appropriate training data set for real-world classification problems is challenging because collecting the right amount of data for each class is often difficult or even impossible. In such cases, we can easily face the problem of imbalanced learning. There are many methods in the literature for solving the imbalanced learning problem, so it has become a serious question how to compare the performance of the imbalanced learning methods. Inadequate validation techniques can provide misleading results (e.g., due to data shift), which leads to the development of methods designed for imbalanced data sets, such as stratified cross-validation (SCV) and distribution optimally balanced SCV (DOB-SCV). Previous studies have shown that higher classification performance scores (AUC) can be achieved on imbalanced data sets using DOB-SCV instead of SCV. We investigated the effect of the oversamplers on this difference. The study was conducted on 420 data sets, involving several sampling methods and the DTree, kNN, SVM, and MLP classifiers. We point out that DOB-SCV often provides a little higher F1 and AUC values for classification combined with sampling. However, the results also prove that the selection of the sampler?classifier pair is more important for the classification performance than the choice between the DOB-SCV and the SCV techniques.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
imbalanced learning
cross validation
SCV
DOB-SCV
Megjelenés:Sensors. - 23 : 4 (2023), p. 1-27. -
További szerzők:Fazekas Attila (1968-) (matematikus, informatikus)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

7.

001-es BibID:BIBFORM108683
035-os BibID:(Cikkazonosító)1932 (WoS)000941838200001 (Scopus)85148970625
Első szerző:Xie, Yu
Cím:Classification of Motor Imagery EEG Signals Based on Data Augmentation and Convolutional Neural Networks / Yu Xie, Stefan Oniga
Dátum:2023
ISSN:1424-8220
Megjegyzések:In brain-computer interface (BCI) systems, motor imagery electroencephalography (MIEEG) signals are commonly used to detect participant intent. Many factors, including low signal-tonoise ratios and few high-quality samples, make MI classification difficult. In order for BCI systems to function, MI-EEG signals must be studied. In pattern recognition and other fields, deep learning approaches have recently been successfully applied. In contrast, few effective deep learning algorithms have been applied to BCI systems, especially MI-based systems. In this paper, we address these problems from two aspects based on the characteristics of EEG signals: first, we proposed a combined time-frequency domain data enhancement method. This method guarantees that the size of the training data is effectively increased while maintaining the intrinsic composition of the data. Second, our design consists of a parallel CNN that takes both raw EEG images and images transformed through continuous wavelet transform (CWT) as inputs. We conducted classification experiments on a public data set to verify the effectiveness of the algorithm. According to experimental results based on the BCI Competition IV Dataset2a, the average classification accuracy is 97.61%. A comparison of the proposed algorithm with other algorithms shows that it performs better in classification. The algorithm can be used to improve the classification performance of MI-based BCIs and BCI systems created for people with disabilities.
Tárgyszavak:Műszaki tudományok Villamosmérnöki tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
motor imagery (MI)
electroencephalogram (EEG)
data augmentation (DA)
convolutional neural network (CNN)
Megjelenés:Sensors. - 23 : 4 (2023), p. 1-16. -
További szerzők:Oniga István László (1960-) (villamosmérnök)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Rekordok letöltése1 
Corvina könyvtári katalógus v8.2.27 © 2023 Monguz kft. Minden jog fenntartva.