Resumen

La detección de objetos desempeña un papel vital en los campos de la visión por ordenador, el aprendizaje automático y las aplicaciones de inteligencia artificial (como FUSE-AI (escáner de resonancia magnética de E-healthcare), la detección de caras, el recuento de personas y la detección de vehículos) para identificar productos alimenticios buenos y defectuosos. En el campo de la inteligencia artificial, la detección de objetivos ha alcanzado su punto álgido, pero cuando se trata de detectar múltiples objetivos en un único archivo de imagen o vídeo, existen verdaderos retos. Este artículo se centra en el algoritmo mejorado K-nearest neighbor (MK-NN) para la atención médica electrónica con el fin de realizar servicios y aplicaciones médicas inteligentes. Introducimos modificaciones para mejorar la eficiencia del MK-NN, y se realizó un análisis comparativo para determinar el mejor algoritmo de detección de objetivos difusos basado en la robustez, la precisión y el tiempo computacional. El análisis comparativo se realiza utilizando cuatro algoritmos, a saber, MK-NN, K-NN tradicional, red neuronal convolucional y retropropagación. Los resultados experimentales muestran que el algoritmo K-NN mejorado es el mejor modelo en términos de robustez, precisión y tiempo de cálculo.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:NN, MK, análisis comparativo, tiempo computacional, algoritmo de detección de objetivos mejor fusionado, aplicaciones de inteligencia artificial, red neuronal convolucional, productos alimenticios defectuosos, atención médica electrónica, resonancia magnética sanitaria
• Keywords:NN, MK, comparative analysis, computational time, best fuse target detection algorithm, artificial intelligence applications, convolutional neural network, defective food products, electronic medical care, healthcare MRI scan