Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Demiral, M." wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    A numerical study on indentation properties of cortical bone tissue : Influence of anisotropy
    Autorzy:
    Demiral, M.
    Abdel-Wahab, A.
    Silberschmidt, V.
    Powiązania:
    https://bibliotekanauki.pl/articles/306784.pdf
    Data publikacji:
    2015
    Wydawca:
    Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
    Tematy:
    analiza MES
    anizotropia
    metoda Olivera i Pharra
    identacja
    finite element analysis
    anisotropy
    Oliver–Pharr method
    cortical bone tissue
    indentation
    Opis:
    Purpose: The purpose of this study is to investigate the effect of anisotropy of cortical bone tissue on measurement of properties such as direction-dependent moduli and hardness. Methods: An advanced three-dimensional finite element model of microindentation was developed. Different modelling schemes were considered to account for anisotropy of elastic or/and plastic regimes. The elastic anisotropic behaviour was modelled employing an elasticity tensor, and Hill’s criteria were used to represent the direction-dependent post-yield behaviour. The Oliver–Pharr method was used in the data analysis. Results: A decrease in the value of the transverse elasticity modulus resulted in the increased material’s indentation modulus measured in the longitudinal direction and a decreased one in the transverse direction, while they were insensitive to the anisotropy in post-elastic regime. On the other hand, an increase in plastic anisotropy led to a decrease in measured hardness for both directions, but by a larger amount in the transverse one. The size effect phenomenon was found to be also sensitive to anisotropy. Conclusions: The undertaken analysis suggests that the Oliver–Pharr method is a useful tool for first-order approximations in the analysis of mechanical properties of anisotropic materials similar to cortical bone, but not necessarily for the materials with low hardening reserves in the plastic regime.
    Źródło:
    Acta of Bioengineering and Biomechanics; 2015, 17, 2; 3-14
    1509-409X
    2450-6303
    Pojawia się w:
    Acta of Bioengineering and Biomechanics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction and classification of pressure injuries by deep learning
    Wykrywanie i klasyfikacja odleżyn z wykorzystaniem deep learning
    Autorzy:
    Yilmaz, A.
    Kızıl, H.
    Kaya, U.
    Cakır, R.
    Demiral, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/2047948.pdf
    Data publikacji:
    2021
    Wydawca:
    Akademia Bialska Nauk Stosowanych im. Jana Pawła II w Białej Podlaskiej
    Tematy:
    deep learning
    pressure ulcers
    artificial intelligence
    nursing care
    odleżyny
    sztuczna inteligencja
    opieka pielęgniarska
    Opis:
    Pressure injuries are a serious medical problem that both negatively affects the patient's quality of life and results in significant healthcare costs. In cases where a patient doesn’t receive appropriate treatment and care, death may result. Nurses play critical roles in the prevention, care, and treatment of pressure injuries as members of the healthcare team who closely monitor the health status of the patient. Today, the use of artificial intelligence is becoming more prevalent in healthcare, as in many other areas. Artificial intelligence is a method that aims to solve complex problems by using computers to mathematically simulate the way the brain works. In this article, we compile and share information about a deep learning model developed for the detection and classification of pressure injuries. Deep learning can operate on many types of data. Convolutional Neural Networks (CNN) prefer images because they can handle 2D arrays. In this case, the images, annotated according to the National Pressure Injury Advisory Panel pressure injury classification system, have been fed into a deep learning model using CNN. The developed CNN model has a 97% success in detecting and classifying pressure injuries, and as more images are collected and fed into the CNN, the prediction accuracy will increase. This deep learning model allows for the automatic detection and classification of pressure injuries, an indicator of health outcomes, at an early stage and for quick and accurate intervention. In this context, it is expected that the quality of nursing care will increase, the prevalence of pressure injury will decrease, and the economic burden of this health problem will decrease.
    Odleżyny są problemem zdrowotnym, który negatywnie wpływa na jakość życia pacjenta i powoduje poważne koszty opieki. W przypadku braku odpowiedniego leczenia i opieki może to doprowadzić do śmierci pacjenta. Pielęgniarki odgrywają kluczową rolę w zapobieganiu, opiece i leczeniu odleżyn jako członkowie zespołu opieki zdrowotnej, którzy ściśle i stale monitorują stan zdrowia danej osoby. Obecnie w dziedzinie zdrowia, podobnie jak w wielu innych dziedzinach, coraz częściej wykorzystuje się sztuczną inteligencję. Sztuczna inteligencja jest metodą, która ma na celu rozwiązywanie złożonych problemów poprzez matematyczne symulowanie sposobu działania mózgu z wykorzystaniem komputerów. Niniejszy artykuł jest przeglądem zaprojektowanym w celu podzielenia się informacjami na temat modelu deep learning opracowanego do wykrywania i klasyfikacji odleżyn. Deep learning może działać na wielu typach danych. Konwolucyjne sieci neuronowe (ang. convolutional neural networks, CNN) preferują obrazy, ponieważ mogą obsługiwać macierze 2D. Obrazy, uporządkowane zgodnie z systemem klasyfikacji odleżyn według National Pressure Injury Advisory Panel (NPIAP), zostały przekształcone w "Deep Learning Model" z wykorzystaniem CNN. Opracowywany model CNN ma 97% skuteczności w wykrywaniu i klasyfikowaniu odleżyn, a im więcej obrazów zostanie zebranych i wykorzystanych w CNN, tym większe będzie prawdopodobieństwo trafnej prognozy. Ten model deep learning daje możliwość automatycznego wykrywania i klasyfikacji odleżyn, które są wskaźnikiem jakości zdrowia, na wczesnym etapie oraz dokładnej i szybkiej interwencji. W tym kontekście oczekuje się, że jakość opieki pielęgniarskiej wzrośnie, zmniejszy się częstość występowania odleżyn oraz obciążenie ekonomiczne związane z tym problemem zdrowotnym.
    Źródło:
    Health Problems of Civilization; 2021, 15, 4; 328-335
    2353-6942
    2354-0265
    Pojawia się w:
    Health Problems of Civilization
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies