Search research articles

Videos de Conceptos Relacionados

Model Approaches for Pharmacokinetic Data: Distributed Parameter Models

Model Approaches for Pharmacokinetic Data: Distributed Parameter Models

Pharmacokinetic models are mathematical constructs that represent and predict the time course of drug concentrations in the body, providing meaningful pharmacokinetic parameters. These models are categorized into compartment, physiological, and distributed parameter models.
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por

Same author

Novelty Detection in Underwater Acoustic Environments for Maritime Surveillance Using an Out-of-Distribution Detector for Neural Networks.

Sensors (Basel, Switzerland)·2026

Same author

Real-Time Structural Health Monitoring of Reinforced Concrete Under Seismic Loading Using Dynamic OFDR.

Sensors (Basel, Switzerland)·2025

Same author

Synthesis of Y<sub>2</sub>O<sub>3</sub> Oxide Dispersion-Strengthened Ti-6Al-2Sn-4Zr-2Mo Alloy Powder by In Situ Gas Atomization Method.

Materials (Basel, Switzerland)·2025

Same author

Cluster-Based Pairwise Contrastive Loss for Noise-Robust Speech Recognition.

Sensors (Basel, Switzerland)·2024

Same author

Strong Room-Temperature Ferromagnetism of MoS<sub>2</sub> Compound Produced by Defect Generation.

Nanomaterials (Basel, Switzerland)·2024

Same author

Manipulating the Cathodic Modification Effect on Corrosion Resistance of High Corrosion-Resistant Titanium Alloy.

Materials (Basel, Switzerland)·2023

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Search research articles

Video Experimental Relacionado

Updated: Sep 9, 2025

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Published on: December 18, 2016

Detección de anomalías espaciotemporales en la detección acústica distribuida utilizando un modelo de difusión

Seunghun Jeong¹, Huioon Kim², Young Ho Kim²

¹Department of AI Convergence, Gwangju Institute of Science and Technology, Gwangju 61005, Republic of Korea.

Sensors (Basel, Switzerland)

|August 28, 2025

Resumen

Un nuevo modelo de GraphDiffusion mejora la detección de anomalías en los datos de detección acústica distribuida (DAS) al preservar la topología espacial. Este método mejora el seguimiento de la infraestructura al identificar con precisión las desviaciones en redes complejas de sensores.

Palabras clave:

detección de anomalías Modelo de difusión detección acústica distribuida modelo generativo red neuronal gráfica Modelado espacial y temporal

Más Videos Relacionados

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Published on: October 24, 2012

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Published on: February 25, 2013

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Published on: December 18, 2016

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Published on: October 24, 2012

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Published on: February 25, 2013

Área de la Ciencia:

La geofísica
Ciencia de los datos
Seguimiento de la infraestructura

Sus antecedentes:

La detección acústica distribuida (DAS) es vital para el monitoreo de infraestructuras a gran escala, ya que proporciona datos espaciales y temporales densos.
La detección de anomalías en los datos DAS es un desafío debido a las correlaciones espaciales y la dinámica temporal no lineal.
Los métodos actuales a menudo ignoran el diseño del sensor, tratando los datos como imágenes o secuencias, perdiendo la topología espacial.

Objetivo del estudio:

Introducir GraphDiffusion, un nuevo modelo de detección de anomalías generativas para los datos DAS.
Modele explícitamente la disposición espacial de los sensores DAS y capte las dependencias entre canales.
Mejorar la precisión de la detección de anomalías conservando la información espacial y temporal.

Principales métodos:

Desarrolló GraphDiffusion, que combina un modelo probabilístico de difusión denoizante condicional (DDPM) y una red neuronal de gráficos (GNN).
Los canales DAS representados como nodos de gráfico con bordes basados en la proximidad euclidiana al diseño espacial del modelo.
Utilizó la desnaturalización iterativa en el DDPM condicional para aprender la dinámica temporal de las señales normales.

Principales resultados:

GraphDiffusion logró un 98,2% de F1K-AUC y un 98,0% de ROCK-AUC en conjuntos de datos de DAS del mundo real.
El modelo superó a los métodos comparativos de detección de anomalías.
La modelación explícita de la topología espacial mejoró la detección de anomalías.

Conclusiones:

GraphDiffusion detecta efectivamente las anomalías en los datos DAS mediante la integración de información espacial y temporal.
El enfoque GNN-DDPM supera las limitaciones de los métodos existentes que no tienen en cuenta la disposición de los sensores.
Este modelo ofrece un avance significativo para el monitoreo fiable de la infraestructura utilizando DAS.