Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2023

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: macierz współwystępowania poziomu szarości

Sortuj według:

Ogranicz wyniki do:

Applied a non-invasive method to blood glucose monitoring by hand skin image based on gray level co-occurrence matrix (GLCM) and artificial neural networks (ANN)

Umar Usman, Syarif Syafruddin, Nurtanio Ingrid, Indrabayu

Przegląd Elektrotechniczny

2023

R. 99, nr 5

1--7

This study develops a non-invasive method to predict blood glucose through image processing. For investigation, several invasive images and glucose levels were taken. Types of samples based on age classification, 20-60 years. For accuracy and simple analysis, 37 images of participants as volunteers, samples were evaluated and investigated under the gray level co-occurrence matrix (GLCM). In this study, an artificial neural network (ANN) was used for all training and hand texture testing to detect glucose levels. The performance of this model is evaluated using Root Mean Square Error (RMSE) and correlation coefficient (r). Clarke Error Grid Analysis (EGA) variance was used in this investigation to determine the accuracy of the method. The results showed that the RMSE was close to the standard value, the regression coefficient was 0.95, and the Clarke EGA analysis: 81.08% was in the A .% zone. So that the blood glucose prediction model using the GLCM-ANN method is feasible to apply.

Niniejsze badanie rozwija nieinwazyjną metodę przewidywania stężenia glukozy we krwi poprzez przetwarzanie obrazu. W celu zbadania wykonano kilka inwazyjnych obrazów i poziomów glukozy. Rodzaje próbek na podstawie klasyfikacji wiekowej, 20-60 lat. Dla dokładności i prostej analizy, 37 obrazów uczestników jako ochotników, próbki zostały ocenione i zbadane w ramach macierzy współwystępowania poziomu szarości (GLCM). W tym badaniu sztuczna sieć neuronowa (ANN) została wykorzystana do wszystkich testów treningu i tekstury dłoni w celu wykrycia poziomu glukozy. Wydajność tego modelu ocenia się za pomocą błędu średniokwadratowego (RMSE) i współczynnika korelacji (r). W tym badaniu zastosowano analizę wariancji siatki błędów Clarke'a (EGA) w celu określenia dokładności metody. Wyniki pokazały, że RMSE była zbliżona do wartości standardowej, współczynnik regresji wyniósł 0,95, a analiza Clarke EGA: 81,08% znajdowała się w strefie A.%. Aby model przewidywania stężenia glukozy we krwi przy użyciu metody GLCM-ANN był możliwy do zastosowania.