One of the most common diseases in women of reproductive age is Polycystic Ovary Syndrome (PCOS). PCOS diagnosis can be tricky, because not everyone with PCOS has polycystic ovaries (PCO), nor does everyone with ovarian cysts have PCOS, hence the pelvic ultrasound as a stand-alone diagnosis is not sufficient. The full diagnostic plan is mainly a combination of a pelvic ultrasound besides blood tests of specific parameters that indicate the presence of PCOS. Since PCOS is a hard-to-diagnose widespread hormonal disorder, blood tests, symptoms, and other parameters with the help of a computer can form a new and easy method to diagnose it. Therefore, we had successfully built a high performing diagnostic model using MATLAB. The data was obtained from the website Kaggle, and the dataset is called Polycystic Ovary Syndrome. In this paper various machine algorithms were employed by utilizing seven classifiers. Results demonstrated that Linear Discriminant classifier exhibits the best performance in terms of accuracy, while in terms of sensitivity, the KNN classifier had the best result. Also, a comparison with four other research papers that exploited the same PCOS dataset was done in terms of implementation platforms, evaluation methods, classifiers, classes, accuracy, and precision of each classifier. Our research excelled among all in terms of accuracy and varied in precedence with precision. MATLAB had shown substantial results and a great model fitting embedded approaches, scoring a high accuracy and precision outcome compared to other studies. Other improvements on the overall PCOS prediction can involve employing preprocessed ultrasound images with the features presented in the dataset.

Due to the structure of cancer cells, where the majority of the cells are overlapped with each other, early diagnosis of lung cancer is a difficult challenge, so the cause of lung cancer remains unknown and prevention is difficult, early discovery of lung cancer is the only approach to cure it. The classification of lung cancer is a crucial process, based on signs that appear on patients; cancers could easily be predicted and treated. This paper uses KNN, SVM, Naïve Bayes and narrow neural network (NNN) classifiers. KNN showed 85.87% accuracy. SVM, Naïve Bayes and NNN showed 92.6%, 90.3% and 90% accuracy respectively. Results came after the fact that among the four classifiers SVM was the most accurate and much better to classify our data.

Weld defect inspection is an essential aspect of testing in industries field. From a human viewpoint, a manual inspection can make appropriate justification more difficult and lead to incorrect identification during weld defect detection. Weld defect inspection uses X-radiography testing, which is now mostly outdated. Recently, numerous researchers have utilized X-radiography digital images to inspect the defect. As a result, for error-free inspection, an autonomous weld detection and classification system are required. One of the most difficult issues in the field of image processing, particularly for enhancing image quality, is the issue of contrast variation and luminosity. Enhancement is carried out by adjusting the brightness of the dark or bright intensity to boost segmentation performance and image quality. To equalize contrast variation and luminosity, many different approaches have recently been put forth. In this research, a novel approach called Hybrid Statistical Enhancement (HSE), which is based on a direct strategy using statistical data, is proposed. The HSE method divided each pixel into three groups, the foreground, border, and problematic region, using the mean and standard deviation of a global and local neighborhood (luminosity and contrast). To illustrate the impact of the HSE method on the segmentation or detection stage, the datasets, specifically the weld defect image, were used. Bernsen and Otsu's methods are the two segmentation techniques utilized. The findings from the objective and visual elements demonstrated that the HSE approach might automatically improve segmentation output while effectively enhancing contrast variation and normalizing luminosity. In comparison to the Homomorphic Filter (HF) and Difference of Gaussian (DoG) approaches, the segmentation results for HSE images had the lowest result according to Misclassification Error (ME). After being applied to the HSE images during the segmentation stage, every quantitative result showed an increase. For example, accuracy increased from 64.171 to 84.964. In summary, the application of the HSE method has resulted in an effective and efficient outcome for background correction as well as improving the quality of images.

At present, Computational Fluid Dynamics (CFD) is being utilized to explore tidal and hydrokinetic turbine systems, advancing comprehension of turbulent flow phenomena and raising the accuracy of performance predictions for these fluid-driven turbines. Consequently, this utilization of CFD contributes to the optimization of efficiency in these devices. Turbines are subject to variations from the best design point due to the influence of fluctuating flow rates, despite the findings of recent research that have identified the ideal design points. In contrast to conventional literature reviews, systematic analysis offers numerous advantages. The methodological strategy applied in this study entailed cross-referencing the findings obtained from Web of Science (WOS) and Scopus databases to establish the comprehensiveness as well as reliability of researcher data. Improving the review process, elevating the prominence of the field of study, and establishing critical priorities to mitigate research bias are all potential strategies for enhancing the quality of these evaluations. This research divides its findings into three core themes: (1) Performance assessment for practical implications, (2) Numerical analysis for theoretical insights, and (3) Design parameter optimization for engineering relevance. These themes collectively provide a well-rounded examination of the research outcomes across practical, theoretical, and engineering dimensions. Finally, the research findings have the potential to act as a significant point of reference for informing the best design considerations pertaining to vertical axis turbines.

The Brain-Computer Interface (BCI) is a field of research that studies the EEG signal in order to elevate our understanding of the human brain. The applications of BCI are not limited to the study of the brain wave but also include its applications. The studies of human emotions specific to the vehicle driver are limited and not vastly explored. The EEG signal is used in this study to classify the emotions of drivers. This research aims to study the emotion classifications (surprise, relax/neutral, focus, fear, and nervousness) while driving the simulated vehicle by analyse the EEG signals. The experiments were conducted in 2 conditions, autonomous and manual drive in the simulated environment. In autonomous driving, vehicle control is disabled. While in manual drive, the subjects are able to control the steering angle, acceleration, and brake pedal. During the experiments, the EEG data of the subjects is recorded and then analyzed.

In today's world, reports of child abduction or attempted abduction are alarmingly frequent. With parents' hectic work schedules, children often travel to and from school alone, either by walking, biking, or taking school buses. This project proposes an Internet of Things (IoT) GPS tracking system to aid parents monitor their children's safety during these commutes. The system is designed for children between the ages of 4 and 10 and uses an Arduino Uno device placed in the child's school bag. This allows parents to track their child's real-time location movement through a mobile application. One of the key benefits of this system is the ability to monitor multiple children at the same time using the app. Otherwise, if the device remains stationary in an unusual location for a prolonged period, the system will automatically send an alert to the parents. This feature ensures that parents are promptly notified if their child's device is not moving as expected, potentially indicating a problem or emergency. The main objective of this proposed IoT solution is to give parents peace of mind and a way to take quick action if any worrying situations occur during their children's journeys to and from school. By leveraging advanced technology, this system will also authorize parents to stay connected and related to their children and respond swiftly to any potential threats to their safety.

Mobile applications are now being used for 21st-century learning, including alphabet learning. There are numerous mobile application products for online learning, particularly those relating to the alphabet ABC. It was revealed that previous mobile applications did not provide interactive activities that suited preschool students. Therefore, this study aims to develop Hooray! Hooray! ABC for learning the alphabet. This study employed Design and Development Research (DDR) as the research design, which is divided into three phases: Phase I - the needs of the application; Phase II - the design and development; and Phase III - the evaluation. ADDIE model is used as the instructional design to design and develop the mobile application. Two experts were chosen to validate the application. It was tested for usability and student performance on 35 preschool students. The results reveal that Hooray! Hooray! ABC can be used for learning the alphabet based on experts' agreement in terms of usefulness (96%), ease of use (97%), ease of learning (94%), and satisfaction (100%). In addition, the result shows that Hooray! Hooray! ABC can increase students' performance (t = 13.271, p = 0.00) in learning the alphabet, making it beneficial for preschool students, teachers, and schools. This study also acknowledged the limitations and future suggestions of this study.

This systematic literature review examines at the impact of animation technology on virtual reality (VR) environments. Using complex search techniques on the Scopus and ERIC databases, 30 articles were chosen, with an emphasis on the keywords "animation," "virtual reality," and "technology." The investigation identifies three major themes: improved user experience, educational integration, and industry innovations. The study investigates how animation innovations contribute to immersion, presence, and involvement in virtual reality contexts. Educational Integration studies the use of animation technology in training simulations, virtual classrooms, and skill development. Industry Innovations evaluates the impact of animation technology on various industries, highlighting developing trends and potential for innovation. This study, through a thorough analysis of the literature, gives significant insights into the varied relationship between animation technology and VR, shedding light on its importance for user engagement, educational applications, and industrial advancement. Keywords include animation, virtual reality, technology, enhanced user experience, educational integration, and industry innovations.

Accurate tree counting in plantations is essential for effective management and resource allocation, yet traditional manual digitization methods are labor-intensive and time-consuming.This study presents an innovative approach to automate tree counting in oil palm plantations using UAV/drone orthophoto imagery and the Faster R-CNN algorithm implemented in Python.High-resolution images were captured using UAVs and pre-processed for clarity.The Faster R-CNN model was trained on annotated images with manually labeled bounding boxes.Leveraging a two-stage pipeline, the model generates region proposals and classifies objects within them.Performance evaluation using precision, recall, and Intersection over Union (IoU) metrics demonstrated the model's high accuracy, achieving an average precision (AP) of 75% and an average recall (AR) of 44%.The automated process significantly reduces labor costs and time compared to traditional methods.This study highlights the effectiveness of integrating UAV technology with machine learning for agricultural applications, providing a scalable solution adaptable to various plantations and tree species.

This in-depth research investigates the transformational potential of generative artificial intelligence (AI) in virtual reality (VR) by methodically examining 26 papers obtained through advanced search techniques on the Scopus and JSTOR databases using the keywords "Artificial Intelligence" and "Virtual Reality." The study focuses on three major themes: immersive settings, content generation, and user interaction. Our findings show that generative AI improves VR by creating more realistic and dynamic immersive worlds, automating and personalizing content generation, and boosting user engagement with adaptive and intelligent systems. This combination of generative AI and VR promises to make substantial advances in a variety of industries, including gaming, education, training, and treatment, by creating more engaging and interactive experiences.