Tind Technologies (Norway)
Hes-so: ArODES Open Archive (University of Applied Sciences and Arts Western Switzerland / Haute école spécialisée de Suisse occidentale / FH Westschweiz)Not a member yet
15764 research outputs found
Sort by
Applying machine learning to gait analysis data for disease identification
No full textA machine-learning framework to identify the specific disease afflicting certain patients using only gait analysis data is presented. Classifying such data into disease types consumes valuable clinical time that may be better spent. Effective classification also facilitates its future retrieval. To prove the feasibility of the approach, we applied it to the simpler case of identifying the disease class of patients with a view to extending the method to specific diseases in future work. The patients benefiting from this framework suffer from Neurological and Neuromuscular Diseases (NND), or Juvenile Idiopathic Arthritis (JIA). Standard clinical gait information of healthy individuals, and NND/JIA patients was sourced from hospitals participating in MD-PAEDIGREE. To classify the data into one of the three categories: healthy, NND, and JIA, certain parameters were carefully selected from them and used to train Random Forest (RF), boosting, Multilayer Perceptron (MLP), and Support Vector Machine (SVM) classifiers. Cross-validation was used to test the effectiveness of our approach and it yields a classification accuracy of 100% for RF, SVM, and MLP classifiers and 96.4% for boosting. Training and testing for all the classifiers took mere milliseconds, providing opportunities for real-time applications. To extend the method to the identification of specific illnesses, more discerning features from the gait data are currently being investigated. Moreover, a larger dataset is being gathered. Finally, we are attempting to reduce the number of features used for classification in order to further decrease computation time and algorithm complexity
Outil de prédiction solaire basé sur un calcul d'erreur météorologique
No full textLe développement des énergies renouvelables passe par une meilleure anticipation de la variabilité de leurs productions. Un des freins aux développements de l’éolien et du photovoltaïque résident dans leurs variabilités de production liées aux conditions climatiques. Ainsi, la capacité de prévoir ces sources de production variables est essentielle pour le maintien d’un réseau électrique sécurisé et pour piloter des bâtiments en fonction de la prédiction de ces productions décentralisées. Ce travail présente une solution industriel d’analyse de données afin de prévoir l'énergie Photovoltaïque (PV) à partir de données réelles de production et météorologiques. Les données utilisées proviennent de la station photovoltaïque du quartier intelligent situé au techno-Pôle de Sierre et des données de production des différentes stations du distributeur d’énergie ESR pour la ville de Sion en Suisse. Ici sont présentés les résultats pour une station photovoltaïque parmi l’ensemble du parc de l’ESR. Notre approche combine des algorithmes de classification (Arbre de décision, Réseau de Neurones) pour prédire le PV d’une station considérant les conditions météorologiques et une régression non-linéaire pour prédire les erreurs de prédiction météorologique. Le système d’information permet aujourd’hui de récupérer les données météorologiques réelles et prédites avec un pas de temps d’une heure, la production produite à l’heure et de les stocker dans une base Influx DB. Par l’intermédiaire d’un service Web, une connexion est réalisée avec le logiciel d’analyse de données Knime pour traiter et calculer la prédiction et les marges d’erreur pour le jour suivant par heure. Une page web a été créée pour la personne responsable de la prédiction à l’ESR avec une connexion possible avec leur logiciel de prédiction existant Epredict pour y intégrer les données. Le système d’information créé est prêt pour intégrer les différentes énergies renouvelables décentralisées (photovoltaïque, barrages, éoliens).Ce projet nommé ELF4U a été financé par la fondation The Ark Energy