원문 발췌 (English Original)

Automated Phytosensing: Ozone Exposure Classification Based on Plant Electrical Signals Till Aust,1 Eduard Buss,1 Felix Mohr,2 and Heiko Hamann1 Abstract—In our project WatchPlant, we propose to use a sensing systems. However, the increased spatial resolution decentralized network of living plants as air-quality sensors by comes with a tradeoff of reduced temporal resolution. measuring their electrophysiology to infer the environmental In our EU-funded project WatchPlant [4], [5] (2021-2024) state, also called phytosensing. We conducted in-lab experiments we address both the challenge of measuring many pollutants in exposing ivy (Hedera helix) plants to ozone, an important pollutant to monitor, and measured their electrophysiological an inexpensive and effective way and the tradeoff of temporal response. However, there is no well established automated way and spatial resolution by proposing a network of low-cost bio- of detecting ozone exposure in plants. We propose a generic hybrid air-quality sensor nodes. Our vision is to deploy these automatic toolchain to select a high-performance subset of air-quality sensor nodes densely throughout the city (possible features and highly accurate models for plant electrophysiology.2024 due to their low-cost) and connecting all of them to aggregate Our approach derives plant- and stimulus-generic features from the electrophysiological signal using the tsfresh library. Based pollution information for real-time monitoring to help policy on these features, we automatically select and optimize machine makers to decide and inform citizens about potential hazards,Dec learning models using AutoML. We use forward feature selection for example, via their smart phones. By engaging citizens and to increase model performance. We show that our approach avoiding private data collection (e.g., connection history) we successfully classifies plant ozone exposure with accuracies of up17 mitigate ethical concerns. We anticipate a positive ecological to 94.6% on unseen data. We also show that our approach can be used for other plant species and stimuli….

발췌문 번역 (Korean Translation)

자동화 된 식물 센싱 : 오존 노출 분류 AUST, 1 Eduard Buss, 1 Felix Mohr, 2 및 Heiko Hamann1 Abstract까지 식물 전기 신호를 기반으로 한 오존 노출 분류 – 프로젝트 Watchlant에서는 감지 시스템을 사용할 것을 제안합니다. 그러나, 공기 품질 센서로서의 살아있는 식물의 공간 분해능 분산 된 분산 된 네트워크는 시간적 해상도 감소의 트레이드 오프와 함께 제공됩니다. EU가 지원하는 프로젝트 Watchplant [4], [5] (2021-2024) 상태의 환경을 유추하기 위해 전기 생리학을 측정합니다. 우리는 실험실에서 실험을 수행했으며, 우리는 아이비 (Hedera Helix) 식물을 오존에 노출시키는 데 많은 오염 물질을 측정 해야하는 과제, 모니터링하기위한 중요한 오염 물질을 측정했으며, 전기 생리 학적을 저렴하고 효과적인 방법과 시간적 반응의 상충 관계로 측정했습니다. 그러나, 식물에서 오존 노출을 검출하는 저렴한 바이오 네트워크를 제안함으로써 잘 확립 된 자동화 된 방법과 공간 해상도는 없다. 우리는 일반 하이브리드 공기 품질 센서 노드를 제안합니다. 우리의 비전은 이러한 자동 도구 체인을 배포하여 도시 전역에서 조밀하게 공기 품종 센서 노드의 고성능 하위 집합을 선택하는 것입니다 (식물 전기 생리학에 대한 가능한 기능 및 매우 정확한 모델 2024로 인해 모든 기능이 저렴한 기능으로 인해 모든 접근 방식은 TSFRESH Library를 사용하여 공장 및 자극 신호에서 유도체 및 자극 신호를 집계하기 위해 연결합니다. 실시간 모니터링을위한 기반 오염 정보 이러한 기능에 대한 정책을 돕기 위해 기계 제조업체를 자동으로 선택하고 최적화하여 잠재적 위험에 대해 시민들에게 DEC 학습 모델을 사용하여 Automl을 사용하는 데 도움이됩니다. 우리는 예를 들어 스마트 폰을 통해 포워드 기능 선택을 사용합니다. 시민을 참여시키고 모델 성능을 향상시킵니다. 우리는 개인 데이터 수집 (예 : 연결 기록)을 피하는 접근 방식을 보여줍니다. 우리는 UP17의 정확한 윤리적 문제를 완화하는 공장 오존 노출을 성공적으로 분류합니다. 우리는 보이지 않는 데이터에서 긍정적 인 생태 학적 94.6%로 예상됩니다. 우리는 또한 우리의 접근 방식이 다른 식물 종과 자극에 사용될 수 있음을 보여줍니다 ….