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 "Kizil, A." wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Impact of chemical and physical properties on flowability characteristics of corn distillers dried grains with solubles
    Autorzy:
    Pekel, A.Y.
    Calik, A.
    Kuter, E.
    Alatas, M.S.
    Oklen, S.B.
    Kizil, A.
    Bulat, M.
    Cengiz, O.
    Powiązania:
    https://bibliotekanauki.pl/articles/2082879.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Instytut Agrofizyki PAN
    Tematy:
    angle of repose
    bulk density
    compressibility
    distillers dried grains with solubles
    flowability
    Opis:
    The influence of the physical and chemical composition of corn distillers dried grains with solubles on its flowability was evaluated in the current study. The samples were evaluated for angle of repose, compressibility, Hausner ratio, tapped density, bulk density, mean bulk density, colour and nutrient content. PROC CORR and REG procedures were used to determine correlations. The ether extract was negatively correlated with crude protein and redness (a*), while crude protein was negatively correlated with yellowness (b*). Acid detergent fibre and neutral detergent fibre were negatively correlated with a* and positively correlated with lightness (L*), respectively. Compressibility showed a negative correlation with bulk density. Bulk density, tapped density and mean bulk density did not impact the angle of repose. The angle of repose was positively correlated with the compressibility and Hausner ratio. Apart from the correlation between acid detergent fibre and tapped density, the angle of repose and other physical parameters were not affected by the nutrient composition of the distillers dried grains with solubles samples. In conclusion, the results of this study indicate that nutrient composition has little influence over the flowability of distillers dried grains with solubles but compressibility and the Hausner ratio can be used to predict the potential flow characteristics of corn distillers dried grains with solubles.
    Źródło:
    International Agrophysics; 2020, 34, 2; 195-202
    0236-8722
    Pojawia się w:
    International Agrophysics
    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