相关实验视频
Updated: Jun 8, 2025
09:47
Spotting Cheetahs: Identifying Individuals by Their Footprints
Published on: May 1, 2016
14.8K
预测实验室技术人员使用猎优化器集成深度卷积神经网络预测人体工程学风险
Abdulmajeed Azyabi1, Abdulrahman Khamaj1, Abdulelah M Ali1
1Industrial Engineering Department, College of Engineering & Computer Sciences, Jazan University, Jazan, Saudi Arabia.
Computers in biology and medicine
|November 6, 2024
概括
这项研究引入了一种新的AI方法,用于预测医学实验室技术人员使用深度学习和优化算法预测人体工程学风险. CHObDCNN模型实现了高精度,提高了技术人员的安全性.
科学领域:
- 医学实验室科学 医学实验室科学
- 职业健康和安全问题 职业健康和安全问题
- 医疗保健中的人工智能
背景情况:
- 医学实验室技术人员因重复任务和长时间静止姿势而面临重大人体工程学风险.
- 准确预测这些风险对于实施有效的预防措施和确保技术人员福祉至关重要.
研究的目的:
- 开发和验证一种新的混合人工智能框架,用于预测医学实验室技术人员的人体工程学风险.
- 提高临床实验室环境中人体工程学风险评估的准确性和效率.
主要方法:
- 提出了一种混合战略,将Cheetah Optimizer (CHO) 与深度卷积神经网络 (DCNN) 集成,称为CHObDCNN.
- 该框架利用技术人员姿势和运动的图像数据,CHO优化DCNN参数以改进分类.
- 图像数据经过预处理以消除噪音并增强特征提取,以准确预测风险.
主要成果:
- CHObDCNN模型表现出卓越的性能,精度为98.74%,精度为98.56%.
- 拟议的方法实现了2.45毫秒的缩短计算时间,表明了高效率.
- 对比分析证实了CHObDCNN框架对现有技术的有效性.
结论:
- 开发的CHObDCNN框架为医疗实验室技术人员预测人体工程学风险提供了一个高度准确和高效的解决方案.
- 这种人工智能驱动的方法有可能在临床实验室环境中显著改善职业安全和健康.
- 该研究强调了先进的人工智能技术的成功整合,以应对特定的工作场所的危险.
