Filtern
Dokumenttyp
Volltext vorhanden
- nein (3)
Gehört zur Bibliographie
- nein (3)
Institut
- Fakultät Informatik und Mathematik (2)
- Fakultät Elektro- und Informationstechnik (1)
- Forschungsstelle für Energienetze und Energiespeicher (FENES) / Forschungsgruppe Energienetze (1)
- Forschungsstelle für Energienetze und Energiespeicher (FENES) / Forschungsgruppe Energiespeicher (1)
- Regensburg Medical Image Computing (ReMIC) (1)
Begutachtungsstatus
- peer-reviewed (1)
Die Energiewende führt zu neuen Herausforderungen für Verteilungsnetzbetreiber hinsichtlich der Erbringung von Systemdienstleistungen, der Integrationsfähigkeit weiterer Erzeugungsanlagen und Lasten sowie bei der Gewährleistung einer hohen Versorgungssicherheit. Die Deckung der steigenden Blindleistungsbedarfe seitens der Netzbetriebsmittel, Verbraucher und Erzeuger gewinnt durch den Wegfall der Großkraftwerke für Netzbetreiber zunehmend an Bedeutung.Das abgeschlossene und vom BMWi geförderte Projekt SyNErgie (Laufzeit von 03/2015 bis 05/2018) beschäftigt sich mit der Entwicklung von Blindleistungsmanagementsystemen für Mittelspannungsnetze (MS-Netze). Ziel dabeiist es, das bisher ungenutzte, freie Blindleistungspotenzial betrieblicher Kompensationsanlagen und dezentraler Erzeugungsanlagen (allg.: Q-Quellen) zu nutzen, um die Blindleistungsänderungsfähigkeit 1 eines Verteilungsnetzes zu erhöhen. Diese Veröffentlichung stellt ausgewählte Einzelergebnisse und Erfahrungen des Projektes vor, welche u. a. über zahlreiche Messungen inMS-Netzen bei Firmen mit Anschlusspunkt in der MS-Ebene, Netzsimulationen und mathematische Modelle abgeleitet wurden.
Background:
Reliable, time- and cost-effective, and clinician-friendly diagnostic tools are cornerstones in facial palsy (FP) patient management. Different automated FP grading systems have been developed but revealed persisting downsides such as insufficient accuracy and cost-intensive hardware. We aimed to overcome these barriers and programmed an automated grading system for FP patients utilizing the House and Brackmann scale (HBS).
Methods:
Image datasets of 86 patients seen at the Department of Plastic, Hand, and Reconstructive Surgery at the University Hospital Regensburg, Germany, between June 2017 and May 2021, were used to train the neural network and evaluate its accuracy. Nine facial poses per patient were analyzed by the algorithm.
Results:
The algorithm showed an accuracy of 100%. Oversampling did not result in altered outcomes, while the direct form displayed superior accuracy levels when compared to the modular classification form (n = 86; 100% vs. 99%). The Early Fusion technique was linked to improved accuracy outcomes in comparison to the Late Fusion and sequential method (n = 86; 100% vs. 96% vs. 97%).
Conclusions:
Our automated FP grading system combines high-level accuracy with cost- and time-effectiveness. Our algorithm may accelerate the grading process in FP patients and facilitate the FP surgeon’s workflow.
Editorial
(2014)