Get ebook downloads in full at ebookname.

com

Advances in AI for Biomedical Instrumentation

Electronics and Computing 1st Edition Vibhav
Sachan

https://ebookname.com/product/advances-in-ai-for-biomedical-
instrumentation-electronics-and-computing-1st-edition-
vibhav-sachan/

OR CLICK BUTTON

DOWNLOAD EBOOK

Explore and download more ebook at https://ebookname.com

Instant digital products (PDF, ePub, MOBI) available
Download now and explore formats that suit you...

Biomedical Instrumentation and Measurements 2nd Edition

Leslie Cromwell Et Al.

https://ebookname.com/product/biomedical-instrumentation-and-
measurements-2nd-edition-leslie-cromwell-et-al/

Interfaceless Conscious Design for Spatial Computing

with Generative AI 1st Edition Diana Olynick

https://ebookname.com/product/interfaceless-conscious-design-for-
spatial-computing-with-generative-ai-1st-edition-diana-olynick/

AI for Cars AI for Everything 1st Edition Josep Aulinas

https://ebookname.com/product/ai-for-cars-ai-for-everything-1st-
edition-josep-aulinas/

A War of Peoples 1914 1919 1st Edition Adrian Gregory

https://ebookname.com/product/a-war-of-peoples-1914-1919-1st-
edition-adrian-gregory/
Transport and Interactions of Chlorides in Cement based
Materials 1st Edition Caijun Shi (Author)

https://ebookname.com/product/transport-and-interactions-of-
chlorides-in-cement-based-materials-1st-edition-caijun-shi-
author/

The Billion Dollar BET Robert Johnson and the Inside

Story of Black Entertainment Television Mass Media
Journalism 1st Edition Brett Pulley

https://ebookname.com/product/the-billion-dollar-bet-robert-
johnson-and-the-inside-story-of-black-entertainment-television-
mass-media-journalism-1st-edition-brett-pulley/

Science and the Sociology of Knowledge Michael Mulkay

https://ebookname.com/product/science-and-the-sociology-of-
knowledge-michael-mulkay/

Encyclopedia of Immunology Research 1st Edition

Meredith E. Daniels

https://ebookname.com/product/encyclopedia-of-immunology-
research-1st-edition-meredith-e-daniels/

The Wisdom of Alexander The Great Enduring Leadership

Lessons From The Man Who Created An Empire 1st Edition
Lance B. Kurke

https://ebookname.com/product/the-wisdom-of-alexander-the-great-
enduring-leadership-lessons-from-the-man-who-created-an-
empire-1st-edition-lance-b-kurke/
The New Encyclopedia of Southern Culture Volume 17
Education 1st Edition Mohr

https://ebookname.com/product/the-new-encyclopedia-of-southern-
culture-volume-17-education-1st-edition-mohr/
ADVANCES IN AI FOR BIOMEDICAL INSTRUMENTATION, ELECTRONICS
AND COMPUTING

This book contains the proceedings of 5th International Conference on Advances in AI for
Biomedical Instrumentation, Electronics and Computing (ICABEC - 2023), which provided
an international forum for the exchange of ideas among researchers, students, academicians,
and practitioners.
It presents original research papers on subjects of AI, Biomedical, Communications &
Computing Systems. Some interesting topics it covers are enhancing air quality prediction
using machine learning, optimization of leakage power consumption using hybrid techni-
ques, multi-robot path planning in complex industrial dynamic environment, enhancing
prediction accuracy of earthquake using machine learning algorithms and advanced
machine learning models for accurate cancer diagnostics.
Containing work presented by a diverse range of researchers, this book will be of interest
to students and researchers in the fields of Electronics and Communication Engineering,
Computer Science Engineering, Information Technology, Electrical Engineering,
Electronics and Instrumentation Engineering, Computer applications and all inter-
disciplinary streams of Engineering Sciences.
PROCEEDINGS OF THE 5TH INTERNATIONAL CONFERENCE ON ADVANCES IN AI FOR
BIOMEDICAL INSTRUMENTATION, ELECTRONICS AND COMPUTING (ICABEC 2023),
GHAZIABAD, INDIA, 22–23 DECEMBER 2023

Advances in AI for Biomedical

Instrumentation, Electronics and
Computing
Edited by

Vibhav Sachan
KIET Group of Institutions, Delhi-NCR, Ghaziabad, Uttar Pradesh, India

Shahid Malik
Indian Institute of Technology, Delhi

Ruchita Gautam and Parvin Kumar

KIET Group of Institutions, Delhi-NCR, Ghaziabad, Uttar Pradesh, India
First published 2024
by CRC Press/Balkema
4 Park Square, Milton Park, Abingdon, Oxon, OX14 4RN
and by CRC Press/Balkema
2385 NW Executive Center Drive, Suite 320, Boca Raton FL 33431
CRC Press/Balkema is an imprint of the Taylor & Francis Group, an informa business
’ 2024 selection and editorial matter, Vibhav Sachan, Shahid Malik, Ruchita Gautam and
Parvin Kumar; individual chapters, the contributors
The right of Vibhav Sachan, Shahid Malik, Ruchita Gautam and Parvin Kumar to be
identified as the authors of the editorial material, and of the authors for their individual
chapters, has been asserted in accordance with sections 77 and 78 of the Copyright, Designs
and Patents Act 1988.
All rights reserved. No part of this book may be reprinted or reproduced or utilised in any
form or by any electronic, mechanical, or other means, now known or hereafter invented,
including photocopying and recording, or in any information storage or retrieval system,
without permission in writing from the publishers.
Although all care is taken to ensure integrity and the quality of this publication and the
information herein, no responsibility is assumed by the publishers nor the author for any
damage to the property or persons as a result of operation or use of this publication and/or
the information contained herein.
British Library Cataloguing-in-Publication Data
A catalogue record for this book is available from the British Library
Library of Congress Cataloging-in-Publication Data
A catalog record has been requested for this book
ISBN: 978-1-032-64298-7 (hbk)
ISBN: 978-1-032-64474-5 (pbk)
ISBN: 978-1-032-64475-2 (ebk)
DOI: 10.1201/9781032644752
Typeset in Times New Roman
by MPS Limited, Chennai, India
 Advances in AI for Biomedical Instrumentation, Electronics and Computing – Sachan et al. (eds)
© 2024 The Editor(s), ISBN 978-1-032-64298-7

Table of Contents

Preface xiii
About the Conference xv

Ensemble of diverse pre-trained convolutional neural networks for enhanced

diabetic retinopathy image classification 1
S.K. Feroz Ahmed, Y. Yaswanth Chowdary, Jyostna Devi Bodapati &
Lakshmana Kumar Yenduri
Enhancing air quality prediction using machine learning algorithms and
boosting techniques 7
Rushvi Sajja, S.K. Feroz Ahmed, Jyostna Devi Bodapati &
Lakshmana Kumar Yenduri
Predicting missed appointments in dental clinic: Enhanced risk assessment
with multiple learning techniques 13
Jeffin Joseph, S. Senith, A. Alfred Kirubaraj & S.R. Jino Ramson
Optimization of leakage power consumption in D Flip-Flop using hybrid
technique 19
Amiya Prakash & Priyanka Jain
YOLO based road anomaly detection for Indian roads 25
Jyoti Tripathi, Bijendra Kumar, Karan Ahlawat, Sanskriti Jain &
Ashwani Chauhan
Job recommendation system based on content-based filtering 30
Anu Saini, Jyoti Tripathi, Mohd Faraz & Mohd Kaif
Wondervision: A smart stick for visually impaired people 36
Sunita Tiwari, Manjeet Singh Pangtey, Golu Kumar, Raghav K. Jha &
Sambhav Anand
C band application-oriented H-shaped patch antenna design 42
B. Jeyapoornima & J. Joselin Jeya Sheela
Microcavity based 2D Photonics crystal biosensor for detection of
COVID-19 47
Vijay Laxmi Kalyani & Virendra Kumar Sharma
Prognosis of heart disease by utilizing data mining techniques 52
Sartaj Ahmad, Vaishnavi Awasthi, Srishti Chaurasia & Ajay Agarwal
LSTM model for stock price prediction 57
Nissankara Lakshmi Prasanna, Rajesh Babu Yallamanda,
Rama devi Gunnam & T. Kameswara Rao
A systematic study of image/data sharing security methods using Modified
Advanced Encryption standards (MAES) 63
B. Satyaramamanohar A., T. Bernatin & P.S.D. Anvesh

v
Compact-size frequency reconfigurable antenna for sub-6 GHz 5G applications 68
Sachin Kumar, Himanshu Nagpal, Ghanshyam Singh & L. Harlan

ASIC acceleration of floating-point arithmetic: Empowering fast and

reliable computations 73
Kapileswarreddy Siddireddy & Ganapathi Hegde

Design and comparative analysis of inverter based OTA using FinFET

and CNTFET 79
Mohammad Aleem Farshori & M. Nizamuddin
Automatic room light controller and visitor counter using microcontroller 84
Aman Kumar Yadav, Amrit Raj Singh, Amit Kumar, Amit Kumar,
Amritanshu Singh & Niraj Singh Mehta
Investigation of DDMZM and LiNb-MZM based radio over fiber link
for a future-oriented communication system 89
Balram Tamrakar, Shubham Shukla, Gauri Brijaria, Manjari Singh,
Manu Gupta, Shweta Sharma & Mayank Kashyap
Medical assistance bot: DOBO 95
Sulekha Saxena, Shobhit Singh Rawat, Yashdeep Tyagi, Yash Rajput &
Suyash Kumar Srivastava
Performance analysis of WDM-FSO system using RAMAN-EDFA and
MIMO for light rain 99
Abhinav Pratap Shahi, Abhishek Tripathi, Ankit Kumar & R.L. Yadava
Optimization of 60 GHz MIMO OFDM radio over fiber system for next
generation networks2 106
Balram Tamrakar, Mohd Sharique Alam, Shubham Verma, Ujjwal Tyagi,
Mohd Khalid & Mohd Salman Zaidi
Review on multi-robot path planning in complex industrial dynamic
environment using improved nature inspired techniques 111
Subhash Yadav, Shubham Shukla & Ritu Tiwari
Network pharmacology and molecular docking approach to unveil the
mechanism of amantadine for Parkinson’s disease 116
Nimesh Bhardwaj, Himani Tyagi, Siddhi Gupta, Pooja Gangwar,
Shubham Chaudhary, Mansi Singh, Vinay Kumar & Praveen Kr. Dixit
Development of smart and secure billing mechanism for stores 121
Himanshu Chaudhary, Hitesh Gupta, Kunal Gupta, Naman Srivastava,
Niranjan Kalra, Raghunandan Bajaj, Praveen Kumar & Abhishek Sharma
Food restaurant management system 127
Vinay, Shivam Tyagi, Shivam Bhardwaj, Shantanu, Sachin Tyagi,
Mohit Tyagi & Satya Prakash Singh
Tobacco use among the youth: Prediction, prevalence and prevention 133
Pravesh Singh, Rakshit Srivastava, Adarsh Singh, Pratishtha Srivastava &
Harsh Kansal
Automated car parking indicator system 137
Hunny Pahuja, Rohit Verma, Abhishek Pandey, Akash Singh & Satyansh Kumar

vi
Deep learning solution for real-time violence detection in video streams 142
Sachin Tyagi, Shivansh Tyagi, Varun Bagga, Sourish Bansal,
Siddharth Goswami, Yash Verma, Mohit Tyagi & Satya Prakash Singh
Disease diagnosis with instant first aid and medicine recommender 147
Akanksha Shukla, Shivani Agarwal, Nandita Goyal &
Kartikeya Patel
Versatile 4-bit signed binary multiplier for complex digital circuits 153
Deepti Maurya & Uma Sharma
Path finding visualizer 158
Ankit, Anushka, Akash, Shahid, S. Ranjan & Richa Srivastava
Exploring smartphone-driven indoor localization systems: A systematic
literature review 163
Prashant Kumar, Chandan Kumar, Gaurav Jain & Aakanshi Gupta

Enhancing sensing and prediction accuracy of earthquake using machine

learning algorithms 171
Surbhi Bharti, Priya Pahwa, Sakshi Gupta & Ashwni Kumar
Intelligent smart-watch for enhanced cardiovascular health management 177
S.T. Rama, S. Heeravathi, R. Ragul & N. Shanmugasundaram
Advancements in robotics and prosthetics: A comprehensive study of
voice-controlled hand prosthetic gloves 182
Ruchita Gautam, Himanshu Chaudhary, Apoorv Sharma, Gautam Matta,
Ayush Jain, Aryan Sharma & Adhyan Kaushik
A review on analysis and prediction methodologies of crop
yield pattern 187
Neha, Anil Ahlawat & Himanshu Chaudhary
A review paper on comparative analysis of various reconfiguration
techniques under partial shading environments 192
Pushpender, S. Khatoon & M.F. Jalil
Novel memristor-CMOS based domino self-resetting half-adder design
for fast and low-power biomedical applications 197
Monica Gupta, Kirti Gupta & M. Bhutani

Prediction of pulmonary arterial hypertension from HRCT chest in

post-COVID patients using double attention U-NeT model 204
Azra Nazir, Roohie Naaz, Shaima Qureshi & Nidha Nazir

Comprehensive review on impact of nanosatellites on human medical

infrastructure 209
Abhishek Sharma, Suryansh Dev, Shambhavi Kumari, Riya Jain,
Satyam Kumar Jha, Mohit Kumar, Praveen Kumar & Ruchita Gautam
Onboard compression and preprocessing methods for LEO
satellite imagery: A review 213
Abhishek Sharma, Nidhi Singh, Yashvardhan Srivastava, Shubhi Sharma,
Krishna Pratap Singh, Harsh Jaiswal, Praveen Kumar & Parvin Kumar

vii
Satellite security: Navigating threats and implementing safeguards in
the modern space age 218
Abhishek Sharma, Divyanshi Srivastava, Suryanshi Singh, Ira Nafees,
Satvik Aggarwal, Himanshu Chaudhary & Praveen Kumar
UAV meets VANET: A hybrid model for performance enhancement
in smart cities 222
Hunny Pahuja, Manoj Sindhwani & Shippu Sachdeva
Vending machine for medicine using automated arm mechanism 228
Pankaj Kumar, Kaushal Saraf, Prakhar Nigam, Rishi Yadav,
Kartik Verma & Divya Sharma

Implementation and design of traffic light controller using Verilog 232

Kavya Kumar Tayal, Ajay Suri & Rohit Vikram Singh Bhadauria

Design and implementation of Vedic multiplier 237

Khushi Mishra & Ajay Suri

Smart lifesaving helmet for coal miners 242

Vipin Kumar Verma, Daksh Singhal, Deepak Kr Bari,
Anuj Kumar Chaudhary, Dev Gupta & Anurag Dubey
Beyond the ballot box: Crafting a resilient voting system with
MySQL and PHP 248
Abhas Kanungo, Ananya Pandey, Asthana Somya Subhash,
Anoushka Bharti & Alok Kumar
Enhancing decision-making for breast cancer through advanced machine
learning and data analytics 253
Sahil Aggarwal, Priyanshu Aggarwal, Satyam Chauhan, R. Dheivanai &
Ritu Pahwa
Beyond borders: Redefining dynamics of nativeness and migration on
cyberspace 259
Leanora Pereira Madeira
PlaceTech: An AI-enabled solution for smart placement 264
Khalid Alfatmi, Sakshi Pande, Makarand Shahade, Vaibhavi Suryawanshi,
Kalpesh Badgujar, Vishwajit Patil & Mayuri Kulkarni

Credit card fraud detection with formula-based authentication 270

P. Asha, Bhavya Babu, S. Prince Mary, B. Ankayarkanni,
M.D. Anto Praveena & A. Christy
Analysis of various topic modeling algorithms using internal-quality metrics 276
Astha Goyal & Indu Kashyap
Cancer prediction: A comparative analysis of advanced machine learning
models for accurate diagnostics 283
Greeshma Arya, Maithili Singh & Abha Bhardwaj
Comprehensive study of reviews from social media using machine learning
techniques 288
Rohini G. Khalkar, M.S. Bewoor, Sampat P. Medhane & Gauri Rao

viii
ArthritisCare: Empowering wellness through personalized arthritis detection
and physiotherapy exercise recommendation 294
Vijaylaxmi Bittal, Makarand Shahade, Isha Wagh, Pratiksha Yeshi,
Pritam Lokhande, Hindraj Patil & Khalid Alfatmi
Rights reach: AI-powered legal assistance for the physically challenged 300
Vijaylaxmi Bittal, Sakshi Pingale, Makarand Shahade, Manish Patil,
Ketaki Patil, Manashri Patil & Khalid Alfatmi
Simplifying legal language: An AI-powered approach to enhance
document accessibility 306
Kiran Somwanshi, Khalid Alfatmi, Ashwini Vibhandik, Darshana Karbhari,
Gagan Jarsodiwala, Rahul Relan & Makarand Shahade
Fuel theft detection system with SMS alert using microcontroller 311
Vipin Kumar Verma, Nilesh Yadav, Pankaj Gupta, Prateek Dhar Dubey,
Purushottam Mani Tripathi & Vikram Vishwakarma
Unmasking attacker identity behind the VPN 316
A.S. Awate, B.N. Nandwalkar, M.R. Shahade, D.B. Mali, H.V. Patil,
H.R. Waghare & H.R. Patil
e-Nidan: Autism spectrum disorder detection using machine learning 322
Ashish Awate, Krutika Yeola, Makarand Shahade, Vaishnavee Patil,
Mayuri Vispute, Hemshri Amrutkar & Bhushan Nandwalkar
Real-time automated fabric defect detection system 327
Umakant Mandawkar, Makarand Shahade, Samruddhi Wadekar,
Chetan Kachhava, Yash Patil & Sakshi Mandwekar
Comprehensive analysis of communication quality: Signal to noise ratio
with respect to bit error rate for nanosatellite beacon 333
Vidushi Pandey, Ayush Singh, Abhishek Sharma, Gati Saraswat, Amrita Singh,
Ayush Yadav & Ruchita Gautam
Single page optimization techniques using react 338
Abhishek Pokhriyal, Saurav Pratihasta, Shubh Kansal, Vasu Goyal,
Shourya Singh & Shruti Mishra
DAM: Drone Automation and Mapping 343
Pranjal Agarwal, Prajesh Pratap Singh & Sharad Gupta
Development of an advanced, cost-effective prosthetic limb with an
EMG sensor 348
Shivam Kesarwani, Shrey Shekhar, Shruti Mishra, Abhinav Singh, Somya Tyagi,
S.P. Singh, Neelesh Ranjan Srivastava, Sachin Tyagi & Mohit Tyagi
Detection of disease and appointment to the Doctor 353
Yashasvi Singh, Sanskar Gupta, Rituz Gupta, Riya Tyagi & Amit Kumar
Image encryption with switching effects 356
Sunil Sriharsha Gudimella, Umesh Ghanekar & Kundan Kumar

Design of fuzzy based PID controller for effective delivery of

syringe pump 362
Saba Parveen, Munna Khan & Kashif Sherwani

ix
An innovative hybrid full adder design for low-power VLSI circuit
applications 368
A. Sharma, N.S. Singha, R. Yadav & A. Kumar
Performance evaluation of full adder cells implemented in CMOS technology 374
Yash Pathak & Dharmendra Kumar Jhariya
Code converter realization in IoT by TCP/IP network layer through node
MCU and LabVIEW 380
G. Dhanabalan, H.B. Michael Rajan & R. Ashok
Prediction of spam reviews using feature-driven opinion mining deep
learning model 385
Surya Prakash Sharma, Laxman Singh, Nagesh Sharma, Abdul Khalid &
Rajdev Tiwari
Design and implementation of automatic street light systems 391
Mohit Tyagi, Kanishka Chauhan, Hardik Mitra, Raman Pundhir,
Naman Gupta, Sachin Tyagi & Satya Prakash Singh

Deep learning based computerized diagnosis of breast cancer using digital

mammograms 396
Laxman Singh, Rekha Kashyap, Sovers Singh Bisht, Nagesh Sharma &
Surya Prakash Sharma

Shoe extension using ultrasonic sensor and gyroscope for blinds 402
Shikha Agarwal, Aarti Chaudhary, Veena Bharti & Shivam Umrao
Dynamic power allocation technique for IOT applications in mobile
edge computing 407
Ashvini Joshi, Anjulata Yadav & Amit Naik
Review on smart landmine and landmine detection 411
Hans Kumar, Abhas Kanungo, Kartik Chaudhary, Jatin Tomar,
Priyanshu & Harshit Yadav
Design of multiplexer in 90nm technology using energy recovery logic
circuit 416
Sitaram Kumar, Amit Kumar & Dharmendra K. Jhariya
Blockchain in education: A revolutionary paradigm for enhanced security
and transparency 422
Shikha Agarwal, Aarti Chaudhary, Komal Shivhare & Ashish Bajpai
Analysis of different categories of prediction methods in intelligent
transport VANET system 429
R. Gracelin Sheeba & N. Edna Elizabeth
CNN sight: Precision detection in gangrene diagnostics 436
Priyanshu Aggarwal, Sahil Aggarwal, Harshita & Ritu Pahwa
Implementation of crowbar protection in DFIG 443
Farhat Nasim, Shahida Khatoon, Ibraheem & Mohammad Shahid
A simplified low-cost portable ventilator design 450
Mohd Shadaab, Shahida Khatoon & Mohammad Shahid

x
Generating maximum power in photovoltaic systems using HHO-based
embedded controllers 455
T.P. Sujithkumar, Shanmugasundaram, V. Rajendran & Debarchita Mishra
5G Network – Deployment, status and roadmap in Indian telecom
ecosystem 461
Manu Srivastava
Iteration-based reduction in cell population for biomedical applications 466
Ashutosh Mishra & Piyush Kumar Tripathi
Unraveling the power of AI assistants 473
Abhinav Karn, Prashant Kumar Singh, Chirag Agarwal, Ayush Verma,
Deepak Singh & Mupnesh Kumari
Retinal diseases analysis and detection – A comprehensive review 480
P. Renuka, V. Sumitra, P. Latha & K. Swaminathan
MediSafe – Enhancing secure medical data management and doctor–patient
communication 486
Neha Rajas, Hrishikesh Potnis, Chinmayee Prabhu, Dnyaneshwari Pote,
Payal Powar & Sujal Powar
Face detection attendance system in Artificial Intelligence 491
Simran Kaur Arora, Priyanka Behki, Gourav Batar, Vivek Tiwari &
Siya Jindal
Smart helmet for bike riders 497
Devansh Gupta, Sanchit Jain, Agrim Chauhan, Tanay Srivastava,
Abhinav Saini, Praveen Kumar, Himanshu Chaudhary & Abhishek Sharma
Performance investigation of an improved high speed WDM RoFSO link in
foggy and rainy weather 502
Kamaldeep Kaur & Abhimanyu Nain
Automated plant monitoring system with WebCAM and shadow shelter 507
Sulekha Saxena, Ritik Kumar, Harsh Singh, Rishabh Kumar,
Mohd. Harmain & Meet Choudhary
Social media news verifier 511
Ritik Rana, Rohit Jha, Saksham Singh, Sarthak Choudhary & Chirag Arora
Review of performance parameters of PV array based on different
configurations operating in mismatch scenarios 516
Aisha Naaz, Mohd Faisal Jalil, Shahida Khatoon & Pushpender
Correlates of integrated marketing communication with respect to banking
industry in India 522
P. Jain, A. Saihjpal, N. Aggarwal & A. Kaur
Non-contact temperature detection system 527
Vikas Nandeshwar, Devang Bissa, Sarthak Biyani, Darshan Biradar,
Bilal Khan, Pratham Bisen & Saif Bichu
A review of humidifier for healthcare 534
Garima Bhargava, Jassi Sandhu, Lakshmi Tiwari, Lokender Singh,
Shreya Dubey, Parvin Kumar & Vipin Kumar

xi
Design of ECG monitoring system using NI LabVIEW 538
Shivansh Sinha, Shraddha Tripathi, Sumit Srivastava, Shubhi Sharma,
Krishna Pratap Singh, Parvin Kumar, Abhishek Sharma & Vipin Kumar
High-performance dual band graphene slotted antenna for terahertz
applications 543
R. Yadav, S. Sood & V.S. Pandey
Australian wildfire visualization 549
Manjinder Kaur, Roop Lal, Ankur Pandey, Anurag Singh & Dipak Rajbhar
Live code sync 554
Aditya Kumar & Er. Manjinder Kaur
Farm automation using NodeMCU 560
Vikas Nandeshwar, Ishawar Borade, Atharva Borade, Atharva Bonde,
Tanmay Bora, Om Bobade & Vishal Bokare
Multiple disease prediction using machine learning algorithms 567
Parth Dayal, Deepansh Sharma, Aman Agarwal, Himanshu Chaudhary,
Ruchita Gautam, Praveen Kumar & Abhishek Sharma
Helping hand for handicap (triple h) 573
Sumit Sharma, Shagun Kumar, Shri Bihari Singh, Satyam Singh &
Divya Sharma
Single-input voltage mode differentiator using DDCCTA and grounded
passive elements 577
Priyanka Jain & Chandra Shekhar
Discrete hartley transform using recursive algorithm 583
Vivek Singh, Dhwani Kaushal & Priyanka Jain
Experimental study on variants of Gaussian mixture model for segmentation 589
Sanjeev Kumar Katti, Shrinivas D. Desai, Vishwanath P. Baligar &
Gururaj N. Bhadri
Real-time-abuse detection model 595
Ayush Kumar, Aryan Nigam, Aradhana Tripathi, Aftab Khan,
Nigam Kumar Mishra & Rochak Bajpai
Comparative analysis of machine learning models for sentiment analysis on
X (twitter) dataset 600
Akshat Singh, Akanksha Singh, Anisha Kumari, Aryan Chauhan &
Richa Srivastava
Design of a 1-bit full adder in hybrid logic for high end computing in
biomedical instrumentation 607
A. Tomar, V.K. Sachan, J. Kandpal, N. Singh, P. Chauhan & S. Bhandari
Author index 613

xii
 Advances in AI for Biomedical Instrumentation, Electronics and Computing – Sachan et al. (eds)
© 2024 The Editor(s), ISBN 978-1-032-64298-7

Preface

Dear Delegates,
It is with great pleasure that we extend a warm welcome to all of you on behalf of the
editorial team as the Chief Editor of this prestigious 5th International Conference on
Advances in AI for Biomedical Instrumentation, Electronics and Computing (ICABEC 2023).
This will provide a forum for researchers around the globe to explore and discuss various
aspects of Biomedical, Electronics & Computing.
In the fast-paced landscape of biomedical research, electronics development, and com-
puting innovations, staying abreast of the latest breakthroughs is crucial. The papers and
contributions contained in these proceedings reflect the tireless efforts of researchers, aca-
demics, and industry professionals who are at the forefront of driving progress in these fields.
As per the market estimates the global market involving biomedical instrumentation was
around USD 10.56 billion and estimated to reach 16.78 billion by year 2026, at CAGR of
approximately 6.3%. This growth trajectory requires innovative designs and applications to
satiate the large demand from the industry.
This volume encompasses a diverse range of topics, from groundbreaking biomedical
discoveries that have the potential to revolutionize healthcare to the latest developments in
electronics and computing that promise to reshape the way we interact with technology. Our
contributors have delved into the intricacies of their respective disciplines, presenting novel
approaches, methodologies, and solutions that will undoubtedly inspire and inform the
wider scientific community.
The conference comprises of various parallel sessions including keynote sessions. Each
session will be addressed by outstanding experts who will highlight the recent advances in
various facets of Biomedical, Instrumentation and Electronics Engineering This conference
will offer the rich resource for budding engineers to develop their own individual perspective
to understand the challenges and the proposed solutions during the discussions.
The organizing committee is extremely gratified by the tremendous response to the call for
papers. More than 250 papers were submitted by researchers, academicians, and students on
a wide range of topics. The conference is approved by CRC Press (Taylor & Francis Group).
The proceedings will be published online by CRC Press (Taylor & Francis Group). The
conference received more than 250 papers. The acceptance rate of the conference is about
45%. Speakers and participants across the globe are participating in the conference.
We hope that the conference provides a forum for researchers to collaborate and work on
novel ideas.
The Editors

xiii
 Advances in AI for Biomedical Instrumentation, Electronics and Computing – Sachan et al. (eds)
© 2024 The Editor(s), ISBN 978-1-032-64298-7

About the Conference

International Conference on Advances in AI for Biomedical Instrumentation, Electronics and

Computing (ICABEC 2023) is going to be held in the Department of Electronics and
Communication Engineering, KIET Group of Institutions, Delhi-NCR, Ghaziabad, Uttar
Pradesh, India on Dec 22-23, 2023.
The introduction of new technologies drastically transforms the future of the biomedical
field as well as Electronics and Communication Engineering, therefore, the aim of the con-
ference is to provide a forum for researchers around the globe to explore and discuss on
various aspects of the biomedical field. The conference consists of various sessions and
includes keynote and parallel sessions. Each session will be addressed by outstanding experts
who will highlight the recent advances in various facets of Biomedical Instrumentation,
sensors and Electronics and Communication Engineering. It will also offer the budding
researchers an opportunity to present their work in front of eminent experts. Discussion on
the latest innovations, trends and practical concerns and challenges faced in these fields are
also encouraged.
Innovation will bring added value and widen the employment base. The present con-
ference attempt to establish some robust and mutual interactions and cooperation with sci-
entific people, educationalists, doctors, governmental and non-governmental organizations,
and industries across local, national and international levels to meet the objectives of
creating contacts as possible to provide a means for scientific and industrial exchanges,
boosting the scientific and research collaborations with other scientific centres in the country
and around the world.
The scope of this conference is to provide a platform for researchers, engineers, aca-
demicians as well as industrial professionals from all over the world to present their
research results and development activities in the field of Electronics and Communication
Engineering, Computer Science Engineering, Information Technology, Electrical
Engineering, Electronics and Instrumentation Engineering, Computer applications and all
interdisciplinary streams of Engineering Sciences, having central focus on AI for
Biomedical Instrumentation, Electronics and Computing. The conference is being orga-
nized specifically to help the industries to derive benefits from the advances of next
Technologies.
ICABEC - 2023 is soliciting original, previously unpublished, and high-quality research
papers addressing research challenges and advances in the tracks mentioned below.
The conference will highlight the related focused areas based on the following themes:

Category-1: AI-Based Biomedical Instrumentation

Signal Processing and Image Analysis for Biomedical Instrumentation
Topics related to processing and analyzing medical signals and images using AI, such as
ECG, EEG, MRI, and CT scans.
Wearable and Implantable Medical Devices and Systems
Focus on the design, development, and application of AI in wearable and
implantable medical devices, such as smart sensors, pacemakers, and artificial limbs.
Intelligent Medical Robotics and Automation
This track explore the use of AI and machine learning in medical robotics and automation,
including robotic surgery, drug delivery, and patient monitoring.

xv
Human Machine Interfaces and Brain Computer Interfaces
This track cover the development and application of AI-based human machine and brain-
computer interfaces in healthcare.
Category-2: Applications of AI and ML for Electronics and Signal Processing
Machine Learning and Data Analytics for Biomedical Applications
This track cover the application of AI and machine learning in biomedical data analysis and
decision-making, such as disease diagnosis, prognosis, and treatment planning.
Healthcare Information Systems and Electronic Health Records
Explore the use of AI and machine learning in managing and analyzing electronic health
records and healthcare information systems, including clinical decision support systems and
disease registries.
Big Data and Cloud Computing for Biomedical Applications
This track could focus on the use of AI and cloud computing in handling and analyzing
large-scale biomedical data, such as genomics, proteomics, and electronic health records.
Category-3: Generalized Tracks for Space Technologies, Electronics Engineering, and Image
Processing
Space based medical Technologies and Satellite Program
This track covers the use of AI and machine learning in designing and developing medical
technologies for space applications, such as remote diagnosis and Health Monitoring, Space
based Medical Technologies
Image Processing for Biomedical Applications
This track focus on the use of image processing techniques in biomedical research and
healthcare, including medical image analysis and computer-aided diagnosis.
Electronic Circuits and devices for Biomedical Applications
This track explore the applications of electronic engineering principles, circuits and techni-
ques in biomedical research and healthcare.
Drug Discovery and Development
This track includes the development of various drug discoveries for medical applications.

xvi
 Advances in AI for Biomedical Instrumentation, Electronics and Computing – Sachan et al. (eds)
© 2024 The Author(s), ISBN 978-1-032-64298-7

Ensemble of diverse pre-trained convolutional neural networks for

enhanced diabetic retinopathy image classification

S.K. Feroz Ahmed* & Y. Yaswanth Chowdary*

Department of Advanced Computer Science and Engineering, VFSTR Deemed to be University, Andhra
Pradesh, India
ORCID ID: 0009-0008-9921-4370, 0009-0002-0495-3135

Jyostna Devi Bodapati*

Department of Advanced Computer Science and Engineering, Vignan University, Andhra Pradesh, India
ORCID ID: 0009-0006-3337-2398

Lakshmana Kumar Yenduri*

Senior Member, IEEE, San Francisco Bay Area

ABSTRACT: Diabetic retinopathy (DR) presents a significant threat to individuals with

diabetes, affecting the retinal blood vessels and potentially leading to vision impairment or loss.
Early detection plays a pivotal role in mitigating vision-related complications, and recent
advancements in deep learning offer promising avenues for enhancing diagnostic accuracy. In
this study, we introduce an ensemble model comprising six distinct pre-trained Convolutional
Neural Network (CNN) architectures for early detection of diabetic retinopathy. The proposed
model encompasses various stages, including data collection, pre-processing, augmentation,
and modeling. Leveraging the benchmark APTOS19 dataset, our ensemble approach achieves
an impressive accuracy of 85.18%, surpassing the performance of individual models involved.

1 INTRODUCTION

One of the significant risks faced by individuals with diabetes is the susceptibility to a
diabetic-related eye condition known as Diabetic Retinopathy. Early detection of this con-
dition is paramount in preventing vision impairment or loss. However, recent advancements
in deep learning have demonstrated promising outcomes in enhancing the accuracy and
efficiency of diagnosis (De Calleja et al. 2014). Deep learning, a subset of machine learning,
focuses on developing algorithms capable of learning from extensive datasets to make
informed decisions. In the realm of medical diagnosis, deep learning algorithms can analyze
large repositories of retinal images and identify specific features associated with diabetic
retinopathy . This approach holds considerable potential for automating the detection pro-
cess, facilitating early diagnosis, and enabling timely intervention (Acharya et al. 2009).
In contrast to traditional methods reliant on manual interpretation by ophthalmologists,
deep learning algorithms can directly learn from labeled training data and automatically
categorize images based on predefined criteria (Anant et al. 2017). This not only reduces
subjectivity but also enhances consistency across various diagnoses. An additional advantage
is early diagnosis, a crucial factor in mitigating the progression of diabetic retinopathy. Within

*Corresponding Authors: ahmedshaik.0862@gmail.com, yarrayashwanth991@gmail.com,

jyostna.bodapati82@gmail.com and lakshmanyenduri@gmail.com

DOI: 10.1201/9781032644752-1 1
the domain of deep learning, various techniques have been devised for diagnosing diabetic
retinopathy, with convolutional neural networks (CNNs) being particularly effective in image
classification tasks due to their capability to capture spatial patterns within images.

Figure 1. Stages of diabetic retinopathy from No DR to Severe DR.

Several studies in the literature focuses on the Detection of Diabetic Retinopathy (DDR),
employing Deep Learning models such as Densenet-169, GoogleNet, and general CNN
models. Despite these efforts, the highest accuracy reported in previous papers remains at
81%. Some studies have explored modifications like changing kernel sizes and resizing
images, resulting in negligible improvements.
For our studies, we adopted a strategy of utilizing multiple Convolutional Neural Network
(CNN) models with the aim of achieving the highest possible accuracy. APTOS 2019 dataset,
the benchmark dataset for retinopathy is used for experimental validation of the proposed work.
Considering the computational resources available, we trained these models with the highest
feasible configurations. As a result, the ensemble of all employed methods yields an accuracy of
85.32%. This demonstrates a significant improvement over the accuracy reported in previous
studies and also significantly better than any of the single model involved in the study.

2 LITERATURE SURVEY

The following are the observations from the mentioned papers on Diabetic Retinopathy.
Few significant contributions to the field of diabetic retinopathy (DR) detection and
analysis are summarized in this section.
Computer-based detection of diabetic retinopathy was introduced and achieves an accu-
racy rate exceeding 85% (Acharya et al. 2009). This study focused on analyzing various
features such as blood vessels, microaneurysms, exudates, and hemorrhages using 331 fun-
dus images to enhance patient care and clinical decision-making.
Building upon this foundation, Anant proposed a model for detecting type 2 diabetes
through image mining (Anant et al. 2017). Leveraging Image Processing and Data Mining
techniques on the DIARETDB1 database, their research demonstrated an impressive
accuracy rate of 97.95% in identifying diabetic retinopathy by utilizing texture and wavelet
characteristics from the dataset.
In a similar vein, an approach for automated DR detection using a Support Vector Machine
(SVM) classifier was presented (Dhanasekaran et al. 2013). Their machine learning approach,
particularly the SVM Classifier, was employed for decision-making on the severity level of
Diabetic Retinopathy, showcasing the potential of machine learning in this domain.
Further advancements were made by employing Convolutional Neural Networks (CNNs)
for hand-crafted feature extraction to detect red lesions within the eye’s retina (Orlando et al.
2018). This integration of manual and deep learning feature extraction methods aimed to
improve diabetic retinopathy analysis by harnessing the power of CNNs.
Expanding beyond diabetic retinopathy, machine learning and data mining techniques
were utilized to predict heart disease while considering both benefits and drawbacks (Preetha
et al. 2020). Their work proposed a different approach using machine learning and data
mining techniques compared to traditional heart disease prediction methods, showcasing the
versatility of these methodologies in medical research.

2
 A quantitative methodology was developed to establish new parameters for proliferative
diabetic retinopathy detection (Sadda et al. 2020). By considering the position, volume, and
size of lesions, their study aimed to enhance retinal disease prediction, utilizing techniques such
as Ultrawide Field Image Lesion Segmentation, Quantification Lesion Parameters, and
Statistical Analysis. These collective efforts underscore the interdisciplinary nature of medical
research and highlight the potential for innovative solutions to complex healthcare challenges.

3 MODELING

The proposed approach involved in modeling diabetic retinopathy detection involves several
key steps. Each of those steps is discussed in this section.
Firstly, the input data is divided into training, validation, and test sets. The model then
loads and extracts images and labels from fundus data files, followed by pre-processing and
augmentation operations. Hyper-parameter setup, regularization techniques, and optimiza-
tion algorithms are explained as part of the method’s structure. Finally, network training
and performance computations are conducted.

3.1 Dataset summary

In this study, two separate datasets are utilized: the APTOS19 dataset and the eyePACS
dataset. The eyePACS dataset comprises 35,126 pre-processed retinal images, while the
APTOS19 dataset consists of 3,593 files with both training and test images. The images are
of size 255  255, and the datasets are divided into training and test sets.

3.2 Pre-processing
Since the chosen dataset is already pre-processed, the images are resized to 244  244, and
the data is split into training and validation sets, with 80% of the data allocated for training
and 20% for validation.

Figure 2. Architecture of the proposed ensemble of diverse pre-trained convolutional neural network models.

3
3.3 Custom CNN models
Custom Convolutional Neural Network (CNN) models play a crucial role in pixel-based
image recognition tasks. These models offer flexibility in terms of architecture, allowing
researchers to experiment with different configurations to optimize accuracy. CNN archi-
tectures can vary significantly in terms of their structure, including the number of hidden
layers, convolutional layers, dense layers, normalization techniques, and dropout layers.
This diversity enables researchers to explore a wide range of possibilities to achieve the best
performance for a given task. Each layer within a CNN communicates information with one
another, facilitating the learning process and ultimately enhancing the accuracy of image
categorization. Through the hierarchical arrangement of layers, CNNs can effectively cap-
ture and represent complex patterns and features present in images.
Training a CNN involves various techniques, including feature extraction and data
feeding. Feature extraction entails dividing the layers of the model into blocks of different
sizes and extracting relevant features from these blocks. These features can then be aggre-
gated using methods such as addition, averaging, concatenation, or maximum pooling. Once
the features are extracted, they are fed into the model, which predicts the output class for the
provided image. By iteratively adjusting the model parameters through processes like
backpropagation, the CNN learns to accurately classify images based on the features
extracted from them. Overall, custom CNN models offer a powerful framework for image
recognition tasks, providing researchers with the flexibility and tools necessary to optimize
accuracy and performance for specific applications.

4 PROPOSED ENSEMBLE APPROACH

The proposed ensemble approach involves combining seven distinct neural network models:
DensNet121, ResNet101, InceptionResNetV3, RegNetX080, and Xception. The input data
undergoes training with each individual model and subsequently with ensembles comprising
four, five, and all seven models. Notably, the resulting accuracies vary with each combina-
tion, highlighting the dynamic nature of ensemble learning. Finally, the accuracies of each
model configuration are evaluated and tabulated for comparison.
Below is the brief overview of the architectures of each model:

4.1 ResNet101
Renowned for its exceptional performance in image classification tasks, ResNet-101 has
demonstrated state-of-the-art results across various benchmarks, including the extensive
ImageNet dataset. Despite its remarkable accuracy, ResNet-101 computational demands are
substantial due to its complex architecture, which includes a significant number of layers and
parameters (Bodapati et al. 2021).

4.2 EffnetV2B3
EfficientNet is a group of convolutional neural networks designed to achieve high accuracy
in image classification while prioritizing computational efficiency. It employs a unique
scaling technique to adjust depth, width, and resolution dimensions uniformly, thereby
striking a balance between performance and efficiency (Bodapati et al. 2023).

4.3 RegNetX-080
RegNetX-080 is tailored for image classification tasks and is part of the RegNet family of
models, which aims to provide efficient and scalable network architectures. RegNetX
models strike a balance between accuracy and efficiency by leveraging techniques such as

4
linear bottleneck blocks, group convolutions, and network width multiplier adjustments
(Bodapati et al. 2021).

4.4 Densenet-121
DenseNet-121 belongs to the DenseNet family of models, known for their densely connected layers.
DenseNet addresses the vanishing gradient problem by establishing direct connections between every
layer in a feed-forward manner. This dense connectivity facilitates feature reuse and gradient flow
throughout the network, enabling effective learning with fewer parameters (Bodapati et al. 2023).

4.5 Xception
Xception, or Extreme Inception, is a deep convolutional neural network architecture intro-
duced by François Chollet. Based on the Inception architecture, Xception incorporates
depth-wise separable convolutions, enhancing its efficiency and effectiveness in various
computer vision tasks (Qummar et al. 2019).

5 EXPERIMENT RESULTS

The data is processed through every model that has been proposed and also the data is
trained with the ensembled model of all the proposed models. The accuracies for both
datasets for different network models have been recorded as tabulated below.

In a depth-wise separable convolution, the convolutional operation undergoes two distinct

stages: depth-wise convolutions and pointwise convolutions. Initially, the depth-wise con-
volution applies a single filter to each input channel independently, followed by pointwise
convolutions that amalgamate the outputs of the depth-wise convolutions through 1  1
convolutions to produce the final feature maps.

6 CONCLUSION

Diabetes mellitus affects various bodily systems, including the nervous system, kidneys, and
retina, leading to organ damage. Diabetic Retinopathy (DR) specifically manifests as a

5
consequence of diabetes affecting the eyes. In this study, an ensemble model comprising
Convolutional Neural Networks (CNNs) is proposed for the classification of Diabetic
Retinopathy (DDR). The ensemble incorporates CNN architectures such as VGG16,
VGG19, InceptionV3, EffNetV2B3, Xception, DenseNet101, and DenseNet169.
Individually, each model achieved accuracies of 83.8, 81.6, 82.7, 84.6, 83.87, and 85,
respectively, while the ensemble model yielded the highest accuracy of 85.7%. This culmi-
nation underscores the efficacy of ensemble learning in enhancing diagnostic accuracy for
Diabetic Retinopathy detection.

REFERENCES

Acharya U. R., Lim C. M., Ng E. Y. K., Chee C. and Tamura T., “Computer-based detection of diabetes
retinopathy stages using digital fundus images,” Proc. Inst. Mech. Eng. Part H J. Eng. Med., vol. 223, no.
5, pp. 545–553, 2009, doi: 10.1243/09544119JEIM486.
Anant K. A., Ghorpade T. and Jethani V., “Diabetic retinopathy detection through image mining for type 2
diabetes,” in 2017 International Conference on Computer Communication and Informatics, ICCCI 2017,
2017, doi: 10.1109/ICCCI.2017.8117738.
Bodapati, J. D. “Enhancing brain tumor diagnosis using a multi-architecture deep convolutional neural net-
work on MRI scans.” Inf. Dyn. Appl 2.1 (2023): 42–50.
Bodapati, Jyostna Devi, and Bharadwaj Bagepalli Balaji. “Self-adaptive stacking ensemble approach with
attention based deep neural network models for diabetic retinopathy severity prediction.” Multimedia
Tools and Applications (2023): 1–20.
Bodapati, Jyostna Devi, and Bharadwaj Bagepalli Balaji. “TumorAwareNet: Deep representation learning
with attention based sparse convolutional denoising autoencoder for brain tumor recognition.” Multimedia
Tools and Applications (2023): 1–19.
Bodapati, Jyostna Devi, RamaKrishna Sajja, and Veeranjaneyulu Naralasetti. “An Efficient Approach for
Semantic Segmentation of Salt Domes in Seismic Images Using Improved UNET Architecture.” Journal of
The Institution of Engineers (India): Series B 104.3 (2023): 569–578.
Bodapati, Jyostna Devi. “Modified self-training based statistical models for image classification and speaker
identification.” International Journal of Speech Technology 24.4 (2021): 1007–1015.
Bodapati, Jyostna Devi. “SAE-PD-Seq: sequence autoencoder-based pre-training of decoder for sequence
learning tasks.” Signal, Image and Video Processing 15.7 (2021): 1453–1459.
De Calleja J., Tecuapetla L., and Medina M. A., “LBP and Machine Learning for Diabetic Retinopathy
Detection,” pp. 110–117, 2014.
Gandhi M. and Dhanasekaran R., “Diagnosis of diabetic retinopathy using morphological process and SVM
classifier,” Int. Conf. Commun. Signal Process. ICCSP 2013 – Proc., pp. 873–877, 2013, doi: 10.1109/
iccsp.2013.6577181.
Kakani, Vamsi, et al. “Post-COVID Chest Disease Monitoring using self adaptive Convolutional Neural
Network.” 2023 IEEE 8th International Conference for Convergence in Technology (I2CT). IEEE, 2023.
Orlando J. I., Prokofyeva E., del Fresno M. and Blaschko M. B., “An ensemble deep learning based approach
for red lesion detection in fundus images,” Comput. Methods Programs Biomed., vol. 153, pp. 115–127,
2018, doi: 10.1016/j.cmpb.2017.10.017.
Preetha S., Chandan N., Darshan N.K. and Gowrav P. B., “Diabetes Disease Prediction Using Machine
Learning,” Int. J. Recent trends Eng. Res., vol. 6, no. 5, 2020, doi: 10.23883/IJRTER.2020.6029.65Q5H.
Qummar, Sehrish, et al. “A deep learning ensemble approach for diabetic retinopathy detection.” Ieee Access 7
(2019): 150530–150539.
Sadda S. R. et al., “Quantitative assessment of the severity of diabetic retinopathy,” Am. J. Ophthalmol., 2020,
doi: 10.1016/j.ajo.2020.05.021.

6
 Advances in AI for Biomedical Instrumentation, Electronics and Computing – Sachan et al. (eds)
© 2024 The Author(s), ISBN 978-1-032-64298-7

Enhancing air quality prediction using machine learning algorithms

and boosting techniques

Rushvi Sajja*
Department of Advanced Computer Science and Engineering, VFSTR Deemed to be University,
Andhra Pradesh, India

S.K. Feroz Ahmed*

Department of Advanced Computer Science and Engineering, VFSTR Deemed to be University,
Andhra Pradesh, India
ORCID ID: 0009-0008-9921-4370

Jyostna Devi Bodapati*

Department of Advanced Computer Science and Engineering, Vignan University,
Andhra Pradesh, India
ORCID ID: 0009-0006-3337-2398

Lakshmana Kumar Yenduri*

Senior Software Engineer, IEEE Senior Member, San Francisco Bay Area
ORCID ID: 0009-0002-8345-2979

ABSTRACT: Air pollution, exacerbated by industrialization and urbanization, poses a sig-

nificant environmental and public health challenge worldwide. Particular concern is directed
towards PM2.5, which poses greater health risks than other airborne impurities combined.
Accurately predicting PM2.5 levels is crucial for effective pollution management. This study
focuses on predicting the Air Quality Index (AQI) as a measure of air pollution, employing
machine learning algorithms to enhance predictive accuracy. Specifically, we utilize the Random
Forest Classifier and AdaBoost boosting algorithm to develop a predictive model. Our approach
involves data categorization and sensitivity analysis to ensure robust air quality predictions.

Keywords: Air Quality, Random Forest Classifier, SVM, Air Quality Index (AQI),
Classification, Normalization, Boosting

1 INTRODUCTION
Air pollution is a pressing global concern with profound implications for public health and the
environment. Exposure to poor air quality can result in a myriad of respiratory and cardiovas-
cular ailments, allergies, and premature mortality. Of particular concern is the air quality in the
vicinity of educational institutions, such as schools, colleges, and universities, which is susceptible
to pollution due to the high volume of vehicular traffic (Xiaojun, C. et al. 2015). It is imperative
to regulate air quality near these institutions to safeguard the health of students and faculty
members. Accurate prediction of air quality enables governments, public health authorities, and
individuals to implement proactive measures to mitigate the adverse effects of pollution (Raipure

*Corresponding Authors: rushvisajja@gmail.com, ahmedshaik.0862@gmail.com,

jyostna.bodapati82@gmail.com and lakshmanyenduri@gmail.com

DOI: 10.1201/9781032644752-2 7
et al. 2015). The application of air quality prediction systems spans various sectors, each bene-
fiting from its predictive capabilities. In the realm of public health, these systems play a vital role
in issuing early warnings and disseminating information about potential air pollution events.
Environmental monitoring relies on air quality prediction systems to assess the impact of diverse
pollution sources on the ecosystem. Additionally, industries emitting pollutants, such as power
plants, factories, and refineries, can optimize their operations by leveraging the insights provided
by these systems (Xi et al. 2015). This study proposes a predictive model that utilizes the
Random Forest Algorithm and the AdaBoost Boosting Algorithm to calculate air quality. The
model is trained on a dataset comprising 16 attributes, with the ‘AQI_Bucket’ attribute trans-
formed into ‘AQI_quality’ to enhance predictive accuracy. Data for model training is sourced
from City_data, and the resultant model is characterized by its ability to process large datasets
with minimal time complexity and high accuracy. The Air Quality Index (AQI) serves as a
crucial metric for assessing air quality, and our proposed system leverages this measure to
achieve superior performance (Gómez et al. 2017).

2 LITERATURE SURVEY

In a study by Shaban, Khaled Bashir, Abdullah Kadri, and Eman Rezk, published in the IEEE
Sensors Journal in 2016, the authors delved into urban air pollution monitoring systems with
forecasting models. They emphasized the importance of integrating real-time monitoring data
with forecasting models to facilitate proactive decision-making and effective pollution control
measures (Shaban et al. 2016). Another notable contribution comes from Xiaojun, Chen, Liu
Xianpeng, and Xu Peng, who explored IoT-based air pollution monitoring and forecasting sys-
tems in their paper published in the ICCCS. They focused on the integration of IoT devices, data
collection, and analysis techniques to enhance air pollution monitoring capabilities (Xiaojun et al.
2015). Gómez, Jorge E., et al. conducted research on the use of IoT technology for monitoring
environmental variables in urban areas. Their study, published in Procedia Computer Science in
2017, provided insights into the advancements in IoT-based environmental monitoring systems,
aiming to improve urban environmental quality (Gómez et al. 2017). Xi, Xia, et al. presented a
comprehensive evaluation of air pollution prediction improvement using machine learning
methods at the IEEE International Conference on Service Operations Logistics, and Informatics
(SOLI) in 2015. Their work highlighted the effectiveness of machine learning algorithms in
enhancing air pollution prediction accuracy (Xi et al. 2015). Raipure, Shwetal, and Deepak
Mehetre investigated the use of wireless sensor networks (WSNs) for pollution monitoring in
metropolitan cities. Their paper, presented at the International Conference on Communications
and Signal Processing (ICCSP) in 2015, emphasized the integration of WSNs, data collection, and
analysis techniques for efficient pollution monitoring and management (Raipure et al. 2015). In a
study by Fuertes, Walter, et al. presented at the IEEE/ACM 19th International Symposium on
Distributed Simulation and Real-Time Applications (DS-RT) in 2015, the authors explored the
potential of distributed systems and the Internet of Things (IoT) for low-cost, real-time air pol-
lution wireless monitoring. Their research aimed to leverage distributed systems and IoT tech-
nologies to enable real-time monitoring of air pollution levels (Fuertes et al. 2015).

3 PROPOSED MODEL

Machine learning encompasses computations that learn from complex data. The initial step
in modeling involves data pre-processing, which includes handling null attributes, removing
unnecessary data, normalization, data splitting, dimensionality reduction, and deploying a
variety of prediction, classification, and scoring models. The model can effectively detect
patterns and engage in self-learning. The classification methods employed in this model are
Support Vector Machine (SVM) and Random Forest classifiers.

8
Figure 1. Proposed air quality prediction model.

3.1 Handling null values and removing useless attributes

To address null values, several strategies are employed, such as replacing them with the
mean, median, or mode of the data within that attribute, or by using a global value.
Additionally, unnecessary data, including attributes not utilized in the model, are removed
to streamline the dataset and improve computational efficiency.

3.2 Normalization
Normalization is a crucial pre-processing technique utilized to convert the values of numerical
columns in the dataset to a common scale, particularly when the dataset contains values from diverse
ranges. By ensuring that all elements lie within the range of 0 to 1, normalization facilitates fair
comparison and prevents features with larger scales from dominating the learning process. Various
normalization techniques, including Standard Scaler, z-score, and Minmax Normalization, can be
applied based on the specific requirements of the model. In this case, Minmax Normalization is
employed, which performs a linear transformation on the data, preserving the relationship among
the original data while ensuring that all data falls within the specified range (0, 1).

3.3 Support vector machine and random forest for classification

SVM is a powerful supervised learning algorithm utilized for classification tasks. It constructs
a hyperplane to effectively separate data belonging to different classes, leveraging support
vectors to define the boundary between classes. SVM employs various types of kernels, such as
linear, polynomial, and radial basis function (RBF), to facilitate classification in both linearly
separable and non-linearly separable datasets. Random Forest, on the other hand, is an
ensemble learning method renowned for its versatility and high predictive accuracy. By
aggregating predictions from multiple decision trees built on different subsets of the input
dataset, Random Forest mitigates overfitting and enhances generalization performance. This
makes it suitable for handling both classification and regression tasks across various domains.

Figure 2. Overview of the hyper plane produced by SVM algorithm. Hyper plane generated by SVM
for Separating the classes for classification 2a) without Error 2b) With Error.

9
 Figure 2 depicts an overview of the hyperplane produced by the Support Vector Machine
(SVM) algorithm. The hyperplane generated by SVM serves to separate classes in a classifi-
cation task, facilitating the classification of data points into distinct categories. Two scenarios
are presented: Figure 2a illustrates the hyperplane generated by SVM without error, show-
casing its effectiveness in accurately separating the classes in the dataset. In this scenario, the
hyperplane effectively delineates the boundaries between different classes, enabling reliable
classification of data points. Figure 2b depicts the hyperplane produced by SVM with error,
indicating instances where the algorithm may struggle to perfectly separate the classes. Despite
potential errors or misclassifications, the hyperplane still serves as a valuable decision
boundary, albeit with some imperfections. Support Vector Machine (SVM) is a supervised
learning algorithm that utilizes support vectors to delineate the boundary between different
classes in a dataset. This boundary, known as the hyperplane, serves to separate the classes
effectively. The hyperplane can be linear or nonlinear, depending on the nature of the data,
and SVM employs various types of kernels such as linear, polynomial, and quadratic to
achieve optimal classification accuracy. On the other hand, Random Forest is a widely used
machine learning algorithm capable of handling both classification and regression tasks. It
employs an ensemble learning approach wherein multiple decision trees are trained on dif-
ferent subsets of the input dataset. By averaging the predictions of these trees, Random Forest
enhances predictive accuracy while mitigating the risk of overfitting.

3.5 Quadratic discriminant analysis

Quadratic Discriminant Analysis (QDA) is a variant of Linear Discriminant Analysis
(LDA) where each class is associated with its own covariance matrix. This approach is
particularly useful when it is known that different classes have distinct covariance structures.
However, QDA does not offer dimensionality reduction capabilities, unlike LDA.

3.6 Adaboost
Adaboost, short for Adaptive Boosting, is a powerful machine learning algorithm that has
gained significant traction in recent years. Its key strength lies in its ability to iteratively
improve the performance of weak learners, subsequently enhancing the overall predictive
accuracy of the model. This essay aims to provide a comprehensive overview of Adaboost,
delving into its fundamental components, operational mechanisms, and applications across
various domains. Additionally, it seeks to elucidate the advantages of Adaboost while also
addressing any limitations or challenges associated with its implementation.

4 EXPERIMENTAL ANALYSIS

The experimental analysis involves the application of classification models such as Random
Forest and SVM, followed by dimensionality reduction using Quadratic Discriminant
Analysis (QDA), and subsequently boosting the model’s accuracy using the Adaboost
algorithm. The dataset utilized for this analysis is “city_data,” sourced from Kaggle,
encompassing 16 attributes including “City,” “Date,” “PM2.5,” “PM10,” “NO,” “NO2,”
“NOX,” “NH3,” among others. The target attribute considered is “AQI_Bucket,” which
comprises six distinct classes ranging from “Poor” to “Good,” indicating air quality levels.
The dataset consists of 29,532 instances of data. Data preprocessing involves handling null
attributes and removing unnecessary data, followed by normalization using appropriate
techniques. The dataset is then split into training and testing sets, with 99.5% of the data
allocated for training and 0.5% for testing, a configuration chosen for its superior accuracy
performance. The classification models are trained both with and without dimensionality
reduction, and their performance is evaluated. It is observed that the Random Forest
Classification model outperforms the SVM Classification model in terms of accuracy.

10
4.1 Dataset summary
The dataset utilized in this experimental analysis, known as “city_data” and sourced from
Kaggle, encompasses a total of 16 attributes. These attributes include various parameters related
to air quality such as “PM2.5,” “PM10,” “NO,” “NO2,” “NOX,” “NH3,” alongside others.
The dataset also includes categorical variables like “City” and “Date.” The target attribute of
interest is “AQI_Bucket,” which categorizes air quality levels into six distinct classes ranging
from “Poor” to “Good.” In total, the dataset comprises 29,532 instances, each providing a
snapshot of air quality measurements and corresponding attributes for specific cities and dates.

5 RESULTS

The experimental analysis using classification and boosting algorithms provided insightful
results. Without dimensionality reduction but with boosting, the model achieved an accuracy
of 81.44888. On the other hand, when dimensionality reduction was applied but boosting
was not, the accuracy slightly increased to 81.45.

SVM Classifier Random Forest Classifier

Class Precision Recall F-score Precision Recall F-score

1 82 61 70 85 78 81
2 67 71 69 70 82 76
3 58 35 43 69 62 65
4 74 88 81 86 86 86
5 0 0 0 84 69 75
6 69 70 70 80 83 82

The findings underscore the critical importance of monitoring air quality, particularly in
the context of industrial development that often results in pollutant emissions. The
AdaBoost algorithm emerged as particularly effective, demonstrating superior accuracy
compared to other methods. Specifically, the combination of Random Forest and the
boosting capability of AdaBoost yielded the highest accuracy of 83%.

SVM Classifier Random Forest Classifier

Class Precision Recall F-score Precision Recall F-score

1 83 61 71 80 76 78
2 67 73 64 72 78 75
3 60 35 43 67 64 66
4 74 90 80 86 87 87
5 0 0 0 75 64 69
6 65 71 67 81 82 82

This research highlights the significance of employing advanced algorithms such as

AdaBoost for air quality prediction. While this study focused on a specific set of algorithms,
it also suggests the potential for exploring additional algorithms to further enhance accuracy
in air quality prediction tasks.

11
6 CONCLUSION

In conclusion, the pursuit of predicting air quality emerges as a critical endeavor in today’s
industrial landscape, where burgeoning pollution levels necessitate vigilant monitoring and
proactive measures. Through this project, AdaBoost emerges as a standout algorithm, par-
ticularly potent when coupled with Random Forest, showcasing an impressive accuracy rate
of 83%. This underscores the pivotal role of advanced machine learning techniques in
addressing complex environmental challenges. By harnessing algorithms like AdaBoost, we
not only deepen our comprehension of air quality dynamics but also fortify our ability to
formulate effective strategies for pollution control and mitigation. Moving forward, sus-
tained exploration and experimentation with diverse algorithms will be imperative in refin-
ing air quality prediction models and augmenting their efficacy. Through the power of
machine learning, we can forge a path towards more informed decision-making and proac-
tive interventions to safeguard our environment and public health from the pervasive impact
of air pollution.

REFERENCES

Bodapati, Jyostna Devi. “Modified self-training based statistical models for image classification and speaker
identification.” International Journal of Speech Technology 24.4 (2021): 1007–1015.
Bodapati, Jyostna Devi. “SAE-PD-Seq: sequence autoencoder-based pre-training of decoder for sequence
learning tasks.” Signal, Image and Video Processing 15.7 (2021): 1453–1459.
Bodapati, J. D. “Enhancing brain tumor diagnosis using a multi-architecture deep convolutional neural net-
work on MRI scans.” Inf. Dyn. Appl 2.1 (2023): 42–50.
Bodapati, Jyostna Devi, and Bharadwaj Bagepalli Balaji. “Self-adaptive stacking ensemble approach with
attention based deep neural network models for diabetic retinopathy severity prediction.” Multimedia
Tools and Applications (2023): 1–20.
Bodapati, Jyostna Devi, and Bharadwaj Bagepalli Balaji. “TumorAwareNet: Deep representation learning
with attention based sparse convolutional denoising autoencoder for brain tumor recognition.” Multimedia
Tools and Applications (2023): 1–19.
Bodapati, Jyostna Devi, RamaKrishna Sajja, and Veeranjaneyulu Naralasetti. “An Efficient Approach for
Semantic Segmentation of Salt Domes in Seismic Images Using Improved UNET Architecture.” Journal of
The Institution of Engineers (India): Series B 104.3 (2023): 569–578.
Fuertes, Walter, et al. “Distributed system as internet of things for a new low-cost, air pollution wireless
monitoring on real time.” 2015 IEEE/ACM 19th International Symposium on Distributed Simulation and
Real Time Applications (DS-RT). IEEE, 2015.
Gómez, Jorge E., et al. “IoT for environmental variables in urban areas.” Procedia computer science 109
(2017): 67–74.
Kakani, Vamsi, et al. “Post-COVID Chest Disease Monitoring using self adaptive convolutional neural
Network.” 2023 IEEE 8th International Conference for Convergence in Technology (I2CT). IEEE, 2023.
Raipure, Shwetal, and Deepak Mehetre. “Wireless sensor network based pollution monitoring system in
metropolitan cities.” 2015 International Conference on Communications and Signal Processing (ICCSP).
IEEE, 2015.
Shaban, Khaled Bashir, Abdullah Kadri, and Eman Rezk. “Urban air pollution monitoring system with
forecasting models.” IEEE Sensors Journal 16.8 (2016): 2598–2606.
Xi, Xia, et al. “A comprehensive evaluation of air pollution prediction improvement by a machine learning
method.” 2015 IEEE international conference on service operations and logistics, and informatics (SOLI).
IEEE, 2015.
Xiaojun, C., L. Xianpeng, and X. Peng. “IOT-based air pollution monitoring and forecasting system-IEEE
Conference Publication.” Ieeexplore. ieee. org (2015).

12
 Advances in AI for Biomedical Instrumentation, Electronics and Computing – Sachan et al. (eds)
© 2024 The Author(s), ISBN 978-1-032-64298-7

Predicting missed appointments in dental clinic: Enhanced risk

assessment with multiple learning techniques

Jeffin Joseph, S. Senith & A. Alfred Kirubaraj

Karunya Institute of Technology and Sciences, Coimbatore, India

S.R. Jino Ramson

Global Foundries US LL2, Vermont, USA

ABSTRACT: The prediction of missed appointments in dental clinics is a critical challenge that
impacts the efficient utilization of resources and the delivery of timely care. In the study, the
researchers predicted the dental missed appointments from categorical Electronic Health Records
data using Logistic Regression, Random Forest, LightGBM, Extra Trees, and Artificial Neural
Network (ANN). The study attempted to address the class imbalance issue through the imple-
mentation of Adaptive Synthetic Sampling (ADASYN). The Performance is measured in terms of
Accuracy, Precision, Recall and Area under the Receiver Operating Characteristic Curve (AUC).
The Logistic Regression, and LightGBM approaches, outperformed other models in predicting
missed appointments, offering insights for researchers to adopt the best predictive model, and
highlighting the significance of enhancing dental clinics’ operational efficiency and effectiveness.

1 INTRODUCTION

Dental clinics hold an indispensable role in promoting oral health and overall patient well-being.
However, the persistent challenge of missed appointments significantly undermines the efficiency
and effectiveness of healthcare delivery. This issue disrupts daily clinic operations and leads to
the underutilization of resources, causing delays in providing essential services to those in need.
Consequently, both researchers and dental clinics face the crucial task of developing effective
strategies to predict and mitigate the occurrence of missed appointments, with the goal of
improving patient engagement and optimizing the scheduling process. In a study conducted by
(Alabdulkarim et al. 2022), machine learning techniques were employed to predict dental missed
appointments, resulting in a Receiver Operating Characteristic Curve (ROC) of 0.72 and an F
measure of 66.5%. Similarly, a distinct study established a substantial big data framework, in
which Gradient Boosting emerged as the most successful approach, achieving an accuracy of
79% and an 81% ROC score in predicting missed appointments (Daghistani et al. 2020).
Another comprehensive study undertook a systematic review encompassing 727 articles,
revealing significant patient attributes and prevailing determinants of missed appointments
(Dantas et al. 2018). In parallel, (Fan et al. 2021) predicted online outpatient missed appoint-
ments, resulting in an 11.1% patient no-show rate, with Bagging emerging as the algorithm
yielding the highest AUC. In another study in the Saudi Arabian context, AlMuhaideb et al.
(2019) implemented diverse machine learning algorithms, achieving accuracy rates of 76.44%
and 77.13%. Notably, another study introduced an interpretable deep learning-based metho-
dology, successfully identifying 83% of no-shows during appointment scheduling (Liu et al.
2022). Another study employing various predictive models, Logistic Regression, Artificial
Neural Networks, and Naïve Bayes Classifier, showcased commendable AUC values
(Mohammadi et al. 2018). This literature highlights the growing body of research dedicated to

DOI: 10.1201/9781032644752-3 13
predicting and addressing missed dental appointments, with various studies employing diverse
machine learning techniques and big data frameworks. While previous studies have demon-
strated promising results in terms of prediction accuracy and identification of relevant factors,
the current study advances this field further by utilizing a comprehensive set of models Logistic
Regression, Random Forest, Extra Trees, Artificial Neural Network (ANN), and LightGBM
for predicting dental missed appointments. The study also addressed the class imbalance issue
through the implementation of Adaptive Synthetic Sampling (ADASYN). The findings of the
study indicate that Logistic Regression and LightGBM outperform other models, offering
valuable insights for improving the effectiveness of appointment scheduling and patient
engagement in dental clinics.

2 MODEL DEVELOPMENT

2.1 Analysis of variables used in prediction

In this study, a publicly available dataset is utilized (10.7717/peerj-cs.1147/supp-1). To ensure
data quality, duplicates are removed, and new variables are created from the existing ones to
facilitate prediction. The final prediction dataset comprises 156,599 unique records. Continuous
variables in the dataset are transformed into categorical ones to enhance prediction accuracy.
Additionally, missing values in the Nationality field are indicated as such to maintain infor-
mation integrity and minimize bias. The Lead Time, calculated from the booking and
appointment dates, is a notable derived variable. The variables used in the study for prediction of
missed appointments are Age, Gender, Marital Status, Nationality, Appointment Week Day,
Appointment Month, Time of Appointment, Lead Time, Appointment Duration, Doctor ID,
SMS Send, Temperature of the Day, and Weather Condition of the day. The output variable,
“Missed Appointment” consists of two categories: “Show” and “No-show” For an in-depth
understanding of the variables utilized for predicting No-show, refer to Figures 1 and 2.

Figure 1. Analysis of variables Age, Gender, Marital Status and Top Nationalities, with Shows and
No-Shows.

14
Figure 2. Analysis of variables Appointment Week Day, Appointment Month, Time of Appointment,
Lead Time, Appointment Duration, SMS Send, Temperature of the Day and Weather Condition of the
day, with Shows and No-Shows.

The variable “Age” comprised seven categories: Infant (0-1), Child (1-12), Teenager (13-19),
Young Adult (20-35), Adult (36-64), Young Senior (65-74), and Senior (75+). The variable
“Gender” had two categories: Male and Female. “Marital Status” consisted of Single and
Married. The variable “Nationality” encompassed 28 categories, including 27 nationalities
and a ‘missing’ category.

15
 Another variable, “Appointment Weekday,” included categories Monday through Sunday
except Friday. The variable “Appointment Month” contained categories from January through
December. Another variable, “Time of Appointment,” was divided into eight categories: Early
Morning: 3:00 AM – 5:59 AM, Dawn: 6:00 AM – 7:59 AM, Morning: 8:00 AM – 9:59 AM,
Late Morning: 10:00 AM – 11:59 AM, Noon: 12:00 PM – 12:59 PM, Afternoon: 1:00 PM – 4:59
PM, Evening: 5:00 PM – 7:59 PM, Night: 8:00 PM – 11:59 PM, Midnight: 12:00 AM –
2.59 AM. The variable “Lead Time” had categories: Very Short (0 to 7 days), Short (8 to 14
days), Moderate (15 to 30 days), Long (31 to 90 days), Very Long (91 to 180 days), Extended
(181 to 400 days), Exceptionally Extended (Above 400 days). Another variable, “Appointment
Duration,” was categorized as Very Short (5 to 15), Short (16 to 30), Moderate (31 to 60), Long
(61 to 120), and Very Long (121 to 300). “Doctor ID” is a variable that included 105 unique IDs
of different doctors with whom appointments were made. Another variable, “SMS Send,” had
two categories: Yes and No. The variable “Temperature of the Day” had categories: Cold
(4 C – 10 C), Cool (11 C – 20 C), Moderate (21 C – 30 C), Warm (31 C – 40 C), Hot
(41 C – 43 C). Additionally, the variable “Weather Condition of the day” encompassed nine
categories: Clear, Clouds, Drizzle, Dust, Haze, Mist, Rain, Sand, and Thunderstorm.

2.2 Implementation of the prediction models

Step 1: Data Cleaning and Variable Extraction: The original dataset is cleaned; incon-
sistencies or missing values are removed and the relevant variables or features from the
dataset that are essential for the predictive model are identified and extracted. Figure 3
shows the Implementation Process of the Prediction Models.

Figure 3. Implementation process of prediction models.

Step 2: Data Preprocessing: Continuous variables were transformed into categorical

variables, and categorical variables were managed using one-hot encoding. Subsequently,
the data was divided into predictor variables (X) and the target variable (Y).
Step 3: Data Splitting: The preprocessed data was split into a training set and a testing set. 80%
of the data was used for training, and 20% for testing. This helped assess model performance.
Step 4: Algorithm Selection: The machine learning and deep learning techniques chosen
for prediction included Logistic Regression, Random Forest, LightGBM, Extra Trees, and
Artificial Neural Networks (ANN).
Step 5: Handling Class Imbalance: Addressed the class imbalance issue by using Adaptive
Synthetic Sampling (ADASYN) as mentioned in the study (He et al. 2008). ADASYN
generated synthetic samples for the minority class to balance the dataset.

16
 Step 6: Model Training: Each selected model was trained on the training dataset. Logistic
Regression, Random Forest, LightGBM, Extra Trees, and ANN were trained separately
using the training dataset. Additionally, Logistic Regression with ADASYN, Random
Forest with ADASYN, LightGBM with ADASYN, Extra Trees with ADASYN, and ANN
with ADASYN were trained separately using the training dataset.
Step 7: Model Evaluation: The performance of each trained model was evaluated using
the test dataset. Performance metrics, including Accuracy, Precision, Sensitivity (recall),
F-measure, and Area under the Receiver Operating Characteristic curve (ROC-AUC), were
calculated for each model to assess their performance.
Step 8: Comparison and Selection: The performance metrics of all models were compared
to determine the best-performed model.

3 PERFORMANCE ANALYSIS AND DISCUSSION

The performance measures of each model are shown in Table 1.

Table 1. Performance measures.

Accuracy Precision Sensitivity F-measure ROC-AUC

LR 0.66 0.60 0.59 0.59 0.65

LR with ADASYN 0.66 0.60 0.58 0.59 0.65
Random Forest 0.64 0.59 0.53 0.56 0.63
Random Forest with ADASYN 0.64 0.59 0.53 0.56 0.63
LightGBM 0.66 0.61 0.55 0.58 0.65
LightGBM with ADASYN 0.66 0.60 0.60 0.60 0.65
Extra Trees 0.63 0.57 0.54 0.56 0.62
Extra Trees with ADASYN 0.63 0.57 0.55 0.56 0.62
ANN 0.62 0.56 0.51 0.53 0.61
ANN with ADASYN 0.64 0.59 0.51 0.55 0.62

The study encompasses the exploration of prediction using traditional, ensemble learning,
and deep learning techniques. Both Logistic Regression (LR) and its implementations with
Adaptive Synthetic Sampling (ADASYN) exhibit comparatively better performance, achiev-
ing an Accuracy of 0.66 and ROC-AUC of 0.65. LightGBM also demonstrates an improved
accuracy of 0.66 and displays better AUC values, suggesting its suitability for the task.
Random Forest and Extra Trees show comparable accuracies of 0.64, both before and after
implementing ADASYN to address class imbalance. Notably, the use of ADASYN does not
consistently enhance model performance across all metrics. The Artificial Neural Network
(ANN) exhibits relatively lower performance. Both Logistic Regression and LightGBM
showcase notable performance, achieving an Accuracy of 0.66 and an ROC-AUC of 0.65,
respectively, demonstrating competitive outcomes. These findings also underline the sig-
nificance of considering various metrics like Precision, Recall, F-measure, and ROC-AUC in
addition to Accuracy when evaluating model performance in prediction tasks. The variations
in results highlight the influence of the algorithm choice on predictive performance.

4 CONCLUSION

The study underscores the diversity in model performances, with both the Logistic
Regression and LightGBM models emerging as particularly promising models. The effec-
tiveness of applying ADASYN becomes evident in its uneven augmentation of predictive

17
capabilities across various models and highlights the importance of selecting the right
algorithm and preprocessing techniques based on the specific situation. Thus, the study holds
significance, by providing valuable insights into the effective prediction of missed dental
appointments through the utilization of diverse machine learning algorithms and addressing
class imbalance, thereby contributing to enhanced resource utilization and timely patient
care in dental clinics.

5 FUTURE RESEARCH

In the realm of future research, there is an opportunity to explore hybrid models that com-
bine various algorithms in order to enhance the accuracy of predicting missed appointments
at dental clinics. Additionally, the inclusion of historical missed appointment data could
provide valuable insights into recurring trends and patient behaviors, potentially enhancing
predictive models to better understand the complexities of patient decision-making.

REFERENCES

Alabdulkarim, Y., Almukaynizi, M., Alameer, A., Makanati, B., Al-thumairy, R., & Almaslukh, A. 2022.
Predicting no-shows for dental appointments. PeerJ Computer Science, 8, e1147.
AlMuhaideb, S., Alswailem, O., Alsubaie, N., Ferwana, I., & Alnajem, A. 2019. Prediction of hospital no-
Show appointments through artificial intelligence algorithms. Annals of Saudi Medicine, 39(6), 373–381
Daghistani, T., AlGhamdi, H., Alshammari, R., & AlHazme, R. H. 2020. Predictors of outpatients’ no-show:
Big data analytics using apache spark. Journal of Big Data, 7(1).
Dantas, L. F., Fleck, J. L., Cyrino Oliveira, F. L., & Hamacher, S. 2018. no-shows in appointment scheduling –
a systematic literature review. Health Policy, 122(4), 412–421.
Fan, G., Deng, Z., Ye, Q., & Wang, B. 2021. Machine learning-based prediction models for patients no-show
in online outpatient appointments. Data Science and Management, 2, 45–52.
Liu, D., Shin, W.-Y., Sprecher, E., Conroy, K., Santiago, O., Wachtel, G., & Santillana, M. 2022. Machine
learning approaches to predicting no-shows in pediatric medical appointment. Npj Digital Medicine, 5(1).
He, H., Bai, Y., Garcia, E. A., & Li, S. 2008. ADASYN: Adaptive synthetic sampling approach for imbal-
anced learning. In 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress
on Computational Intelligence), Hong Kong, 2008 (pp. 1322–1328).
Mohammadi, I., Wu, H., Turkcan, A., Toscos, T., & Doebbeling, B. N. 2018. Data analytics and modeling for
appointment no-show in community health centers. Journal of Primary Care & Community Health, 9,
215013271881169.

18
 Another Random Document on
Scribd Without Any Related Topics
Front entlang. Unter uns fährt aus der düstern Landschaft da und
dort ein Feuerdolch: unsre Geschütze, die feuern.
Wir sind 400-500 Meter hoch und geben Flaggensignal. Langsam
steigen wir herunter. Wie ein störrisches Pferd am Halfter muß der
Ballon zur Winde gezogen werden. Über dem Boden wälzt er sich ein
paarmal hin und her, dann steht er still.
Ich steige aus. Im nächsten Augenblick schon jagt er wieder mit
dem Beobachter in die Höhe.
 Der Argonnerwald

Im Juli

„Moi, je suis tombé dans un sale coin, je suis aux

Argonnes.“
Aus dem Briefe eines Gefangenen.

E s regnet in Strömen. Das Wasser wird in Fässern aus den

bleigrauen Wolken geschüttet, die niedrig über die Wälder
ziehen. Die Bäume brausen im Wind und schütteln Wasserfälle
aus ihren Kronen. Die Wege sind Lehm, Bäche stürzen über die
Abhänge. In den Unterständen sind die Öfen geheizt.
Es ist der Argonnerwald, wie er leibt und lebt. Er verstellt sich
nicht und zeigt sein wahres Gesicht. Es ist ein Wald wie der Spessart
und die böhmischen Wälder, ein Wald für Köhler, Räuberbanden und
Wildschweine. Der Wald hat seine Gegenwart, das ist nicht zu
leugnen, der Wald hatte seine Vergangenheit, das ist sicher. Man
ging hinein und verschwand, man schlug das Kreuz und war tot. Im
Dickicht lauerte der Mörder. Es gibt hier Stellen, die sonderbare
Namen tragen: la fille morte, l’homme mort. Es wird wohl seine
Bewandtnis damit haben! Aber diese ganze düstere
Räubervergangenheit des Waldes ist ein Idyll gegen heute, eine
Schäferszene, das sage ich gleich! Welche Zeit könnte sich in diesen
Dingen überhaupt mit der unsrigen messen? Wir haben alles glatt
geschlagen ...
 Wir steigen in einen Rollwagen, ein total zerweichtes Pferd mit
einem total zerweichten Reiter darauf wird vorgespannt und wir
rollen los, höher und tiefer in den Wald hinein. Der Regen strömt,
Roß und Reiter verschwinden zuweilen in einer Wasserblase. Ich bin
durchnäßt bis auf die Haut, dieser verfluchte Argonnenregen geht
durch den Gummimantel, und friere wie ein Hund.
Dieser Wald ist kein Wald für Menschen! Er ist dreistöckig. Hohe
Bäume, zumeist Eichen, vereinzelt, dann das Unterholz, junge
Eichen, Buchen, Birken, Erlen, dicht beisammen, und unter ihnen
Gestrüpp: Brombeeren, Dornen, Farnkräuter, Ginster,
Schlingpflanzen, ein natürlicher Drahtverhau, wie er heimtückischer
nicht angelegt werden könnte. Es ist ein Wald für einen haarigen,
gorillaartigen Waldteufel, der mit einem Prügel in der Faust durchs
Dickicht kriecht und Lehm frißt. Der Mensch betritt ihn mit Grauen
im Herzen.
Das zerweichte Pferd streckt die glänzenden Schenkel, tastet
durch Lehm und Wasser. Zuweilen wird es abgehängt, dann rollen
wir mit eigner Kraft über wacklige Schienen hinunter. Dann geht es
wieder bergan. Ist es möglich, daß es noch stärker regnet? Ja, bei
Gott, es ist möglich! Wir fahren in einer Wasserhose. Vor uns kriecht
eine Batterie von Gulaschkanonen, von Pferden gezogen wie wir.
Kommt ein Taleinschnitt, so rollen alle vier Gulaschkanonen mit
eigner Kraft hinab und wir hinterher. Wir begegnen einem Transport
von leeren Minenkörben, meterhohen Zuckerhüten aus Ruten
geflochten. Der Transport muß rangieren, damit wir vorüber können.
Auf die Feldküchen klatscht der Regen. Die Leute haben Zeltbahnen
um die Schultern gehängt, aber es hilft nicht viel. Station. Ein
durchnäßter Grauer tritt an unsern Rollwagen und meldet: „Station
Rixdorf, belegt mit zwei Telephonisten!“ Ordnung muß sein. Ein
Transport kommt zu Tal. Sie stehen aufrecht im Wagen. Sie sind
müde und erschöpft. Ihre Arme und Köpfe sind verbunden. Es sind
Verwundete aus den Gräben da oben. Der Wald frißt, der Wald frißt,
der Wald frißt täglich Menschen! Einer liegt, mit einer Pferdedecke
zugedeckt. Man unterscheidet nur die Formen des Mannes. Der
Regen fegt auf die Verwundeten herab, aber sie kümmern sich nicht
darum. Und er, der unter der Decke, der liegt und sich nicht regt,
ihm kann der Regen, alle Mächte der Hölle können ihm nichts mehr
anhaben ...
Unser Pferd streckt die Schenkel. Es geht bergan. Nasse Zweige
gießen ihr Wasser über uns aus. Der Wald poltert. Die
einschlagenden Granaten krachen wie Donnerschläge.
Eine halbe Stunde währt die Rollwagenfahrt, eine Stunde. Wir
steigen aus und schütteln uns wie Hunde, die aus dem Wasser
kommen.
Wir gehen quer durch den Wald. Die Wege sind hier mit Knüppeln
gepflastert, ein Knüppel hübsch neben dem andern, peinlich genaue
Arbeit, anders wäre es nicht möglich, hier einen Schritt zu machen.
Granattrichter. Zerschossene Bäume. Mannsdicke Eichen, die Granate
traf sie in der Mitte, zerriß sie und warf sie aufs Gesicht. So liegen
sie nun da und sterben. Hier gibt es sonderbare Hünengräber, mitten
im Walde, Stein- und Erdhügel. Blickt man aber näher hin, so sind es
Batterien. Die grauen Kanonen stehen darin, anständige Kaliber! Sie
feuern glatt durch Laub und Zweige hindurch. Wir steuern ein
Hünengrab an und steigen in die Erde hinein. Wir klopfen und treten
ein. Hier brennt die Hängelampe, obschon es elf Uhr vormittags ist.
Ein Mann in einer Wollweste empfängt uns. Hier hausen
Pionieroffiziere, Leute von Welt. Sie haben gute Laune, Kognak und
einen herrlichen heißen eisernen Ofen, der sofort zischt, wenn man
ihm nahe kommt. Sie hausen hier schon – tuh, tuh, das Telephon
tutet: ein Stollen im Graben so und so, wird gemacht – sie hausen
hier schon seit Ende September! Unter der Balkendecke, zwei Meter
Schotter darüber, ein paar Schlafkojen. Urlaub, nein, Urlaub nahmen
sie noch nicht. Sie haben keine Lust, sie sind hier nötig. In den
Gräben arbeiten sie, ganz vorn, in den Minenstollen. Was sie tun,
davon will ich später einmal berichten. Ihre Gedanken, ihre Pläne,
ihre Frauen – alles haben sie hingegeben, mag es kommen, wie es
will, sie werden auf ihrem Posten stehen. Unvergeßlich sind sie, jung
und stark und kühn.
Es gießt noch immer. Düster und unheimlich rauscht der Wald. Es
ist ein Wald der Unterwelt, erfüllt von einem schauerlichen und nie
gehörten Lärm. Er hustet, das furchtbare Husten eines Unholds, der
in den Schluchten haust. Er lacht heiser und keuchend wie ein
Teufel, dem etwas schrecklichen Spaß macht. Riesenspechte klopfen.
Es kracht wie ein schwerer Schmiedehammer, den nicht Menschen,
sondern Zyklopen bedienen. Sie fluchen zur Arbeit, rufen und
poltern. Zuweilen nehmen sie die Axt und schlagen, eins, zwei in den
eisenharten Stamm der Eiche, daß die Berge hallen. Die Eiche
schlägt krachend hin. Man hört, wie die Zyklopen die Eiche
zerknacken zwischen ihren Fäusten und ins Feuer werfen, daß es
prasselt. Das alles hört man ganz genau, aber man sieht die
Einäugigen nicht. Dann und wann streicht ein Gespenstervogel
unsichtbar und klagend über die brausenden Wälder. (Eine Granate.)
Ja, Gott stehe mir bei, dieser Wald ist keineswegs gemütlich.
Aus dem Dickicht tritt ein Mensch. Seine Stiefel sind voller Lehm,
seine Kleider naß und schmutzig. Am Gürtel hängen Flaschen und
Säcke und Ledertaschen, auf dem Rücken das Gewehr. Sein Gesicht
ist schwarzbraun, schmutzig und verwittert. Die Augen stehen wie
Lampen darin. Es ist ein Feldgrauer, der aus den Gräben da oben
kommt. Die „Argonnentype“, wie sie leibt und lebt. Die
Argonnentype grüßt, so nebenher, grinst beim Anruf und
verschwindet im Regen. Sie sind es, die diesen höllischen Spektakel
machen, keine Zyklopen, sondern kleine Menschen.
Plötzlich hört es auf zu regnen. Die Sonne bricht heiß durch die
Wolken.
Wir treffen, bei seiner Batterie, einen Oberleutnant, Jurist, auch er
lebt seit dem Herbst im Walde. Aber der Wald konnte ihm nichts
anhaben, elegant sieht er aus und seine schmalen Hände sind
gepflegt. Zusammen mit ihm klettern wir in den Wipfel einer Eiche
empor. Die Eiche braust, und wir schwanken, oben angelangt, wie
Äste hin und her. Wir blicken über den Wald!
Drüben liegt die Kuppe von Vauquois. Bis zum Kamm gehört sie
uns. Dicht dahinter liegt der Franzose. Im Tal das Dorf Boureuilles.
Mit bloßem Auge sieht man die Drahtverhaue der Franzosen, sie
liegen im Tal hinter dem Dorf. Nach rechts aber, über dem Walde,
liegt die berühmte Höhe 285, die unsre Tapfern vor acht Tagen
stürmten.
Die Höhe ist braun und kahl! Es ist dem Menschen hier gelungen,
den Wald weithin auszuroden, das muß man sagen. Die Bäume sind
zerschmettert, liegen durcheinander, verkohlt und zerschossen, das
Unterholz ist gänzlich verschwunden. Die Erde ist aufgewühlt.
Gräben, Sappen, Sprengtrichter. Die Kuppe ist in hundert Risse
geborsten. Ein Maschinengewehr bellt, die Gewehre husten. Ohne
Pause wird da oben gekämpft. Ein schweres Geschütz feuert. Es
kracht wie ein Donnerschlag, und das Echo poltert in den
Schluchten.
Ziehe die Luft ein, riechst du es nicht? Es riecht wie in den Gängen
eines Hospitals. Es riecht nach Chlor und allen möglichen Dingen.
Diesen Geruch habe ich schon heute morgen verspürt, als wir uns
dem Argonnerwald näherten. Dieser ganze Wald, trächtig von
Feuchtigkeit, Erde und Wurzeln, hat diesen sonderbaren Geruch
angenommen. Er stammt von den Gasbomben der Franzosen, von
den Gasen der stündlich einschlagenden Granaten, von den
Massengräbern, die mit Chlorkalk zugeschüttet sind.
Fürchterlich, dreimal fürchterlich muß es hier zugegangen sein!
Der Wald hat seine Geschichte, und sie ist schrecklich wie die
Geschichte wilder Meere. Heute noch findet man im Dickicht
verstreut Leichen und Skelette. Man sieht in den Gebüschen einen
Soldaten, das Gewehr im Anschlag, man ruft ihn an, er antwortet
nicht. Er ist tot und in seiner letzten Stellung von den Dornen
festgehalten worden. Man mußte sich den Weg bahnen wie in einem
Urwald. Man bekam Feuer aus nächster Nähe. Man sah keinen
Feind. Der Franzose saß auf den Bäumen, mit Maschinengewehren
saß er oben. Man hörte den Gegner sprechen, die Offiziere Befehle
erteilen, aber man sah nichts, rein nichts. Man grub sich gegenüber
ein, schoß das Dickicht mit Maschinengewehren ab, um Luft zu
bekommen, drang vor – der Feind zog sich zehn Schritt zurück, und
es war die alte Sache. Es war ein Indianerkrieg und die Argonnen
bilden ein Kapitel für sich in der Geschichte dieses Feldzuges. Hier
gab es keine Pausen, keine Ruhe, hier wurde erbittert gekämpft, Tag
und Nacht, viele Monate hindurch, und das Wasser in den Gräben
stand häufig bis zur Hüfte. Man lag sich und liegt sich an manchen
Stellen zehn Schritt gegenüber, ein lautes Wort bedeutet den Tod.
Handgranaten, Minenstollen und Wurfminen.
 In den letzten Wochen fanden hier wütende Gefechte und
Schlachten statt, am 2. Juli, am 14. Juli – doch davon später. –
Ein Knüppelweg führt ins Tal hinab. An einer verborgenen Stelle
wartet unser Auto. „Hat er hergeschossen?“ Nein – na, also los!
Wir fahren eine Strecke in Sicht des Feindes, wir jagen in eine
zerschossene und zerstörte Stadt hinein. Sie erinnert an eine
zerfallene italienische Ortschaft. Es ist Varennes. Jene Stadt, in der
Ludwig XVI. mit seiner Gemahlin auf der Flucht erkannt und
festgenommen wurde. Varennes ist ständig unter Feuer. Das Auto
beginnt wie toll zu jagen. Es fegt eine schnurgerade Chaussee hinab
in einem Höllentempo. Eile tut hier not, denn wir fahren in etwa
1000 Meter Entfernung an den feindlichen Stellungen vorüber, und
es ist eine Anfängeraufgabe, uns hier abzuschießen. Die Höhe von
Vauquois, die Kirche von Montfaucon, oben auf einem Berge in der
Abendsonne. Ein paar Granatfahnen rauchen aus Apremont,
während wir vorüberfliegen. Neben der Chaussee sind Serien von
Granattrichtern. Sie sind ganz frisch, die Erde liegt noch locker und
feucht. Der Abendsegen. –
 Die Kämpfe in den Argonnen

Im Juli

„Les Argonnes, c’est l’enfer!“

Aus dem Tagebuch eines französischen Offiziers.

A m 20. Juni begann die Sache in den Westargonnen, am 2. Juli

war sie zu Ende. 37 Offiziere gefangen, 2700 Mann! 100
Minenwerfer, 28 Maschinengewehre, 5000 Gewehre und 30000
Handgranaten! 1600 tote Feinde bestattet! Es ist ein Erfolg, der sich
sehen lassen kann!
Man muß im Auge behalten, daß es sich hier um Waldkämpfe
handelt. Der Franzose hat Erdwerke angelegt, Festungen unter der
Erde. Er hat Blockhäuser in die Erde gerammt, jedes ein Fort. Die
Dachkante ragt aus dem Boden, nichts sonst. Schießscharten,
Maschinengewehre, Drahtverhaue vor den Gräben, eine Schlucht mit
einem Wassergraben. Wenn ich sage, wie der Argonnenkämpfer
stürmt, so wird man alles begreifen: den Stahlschild vorgehalten,
Handgranaten am Gürtel, Handgranaten in der Faust, das Gewehr
auf dem Rücken und die Gasschutzmaske vor dem Gesicht – so geht
er vor! Es ist kein Spaziergang, o nein! Es ist keineswegs wie auf
jener Photographie, die eine Berliner Zeitung kürzlich brachte und
die einen „Sturmangriff in den Argonnen“ vorstellen sollte. Mit dem
aufgepflanzten Bajonett läuft da eine Kolonne gegen einen
idyllischen Waldrand an. O, hoho! Es ist mehr als kindisch, es ist eine
Schmach. Der Argonnenkämpfer wird sich totlachen über den naiven
Schwindel, wenn er das Bild zu sehen bekommt.
Am 20. Juni, wie gesagt, fing es an. Die Minenwerfer begannen
ihre höllische Arbeit und deckten die französischen Gräben und
Verhaue zu. Die Granaten hagelten herab. Los! Die Pioniere sind die
ersten. Mit Drahtscheren gehen sie vor, mit Brückenstegen aus
Knüppelholz gezimmert. Sie stürzen nieder, auf, die Stacheldrähte
zerfetzen ihnen die Kleider, vorwärts! Der Kampf ist im Gange. Hier
kämpft Gruppe gegen Gruppe, Mann gegen Mann, die Handgranaten
krachen. Um jedes winzige Grabenstück, um jeden Granattrichter
wird verzweifelt gerungen. Unsichtbar ist der Feind. Aus dem
Dickicht schwirren die Geschosse eines Maschinengewehrs. Ein
Trupp Württemberger stürmt hinein. Leutnant Sommer klettert mit
ein paar Leuten auf das Dach eines versteckten Blockhauses, aus
dem das Maschinengewehr feuert. Revolver, Handgranaten durch die
Schießscharten, die Besatzung ist erledigt. Leutnant Sommer fällt. Er
ist tot, aber er ist unsterblich! Einem andern Offizier, Leutnant
Walker, gelingt es, in die Gräben der Labordère-Stellung
einzudringen. Er ist abgeschnitten, umzingelt, aber er hält stand in
einem höllischen Feuer, mit einer Handvoll Leuten, bis acht Uhr
abends(!) Entsatz kommt. Zwei Leutnante, Spindler und Kurz,
springen in den Graben und schlagen sich nach links und rechts, bis
sie fallen. Sie sind tot, aber ihre Namen werden weiterleben! Es geht
heiß zu, es geht verzweifelt zu.
Am Abend ist die Stellung genommen!
Es ist nur der Anfang. Die Franzosen trommeln auf die eroberten
Gräben. Acht Tage lang machen sie einen verzweifelten Versuch
nach dem andern, die Gräben zurückzuerobern. Vom 21. bis zum 29.
Sie versuchen es mit allen Mitteln, Gasbomben und brennender
Flüssigkeit.
Am 30. Juni geht es weiter. Niemals hat der Argonnerwald solch
ein Feuer gehört! Die französischen Gräben werden zu Brei
geschossen. Die Toten liegen wie das Getreide nach einem
Hagelwetter. Ein Handgranatenlager fliegt in die Luft. Aber der
Franzose kämpft wie ein Teufel. Im vordersten Graben fällt Mann um
Mann. Niemand ergibt sich! In einer halben Stunde sind die Werke
Central und Cimetière gestürmt. Unsre Grauen sind nicht zu halten.
Eine Kompanie Grenadiere jagt bis ins Tal der Biesme vor. Auf dem
östlichen Flügel der kämpfenden Linien liegen auf der sogenannten
Rheinbabenhöhe die Grauen in den Gräben. Es wird gekämpft, sie
halten es nicht mehr aus in den Gräben und greifen aus freiem
Entschluß an. Württemberger Freiwillige nehmen die Reste des
Labordère-Werkes.
Der Franzose ist geworfen, aber kleine Verbände wehren sich noch
tollkühn in kleinen Grabenstücken und Blockhäusern. Ein
Unteroffizier pirscht sich an ein Blockhaus, das wütend feuert, heran
und wirft eine Handgranate hinein. Nun wird es drinnen still!
Es wird Nacht. Keine Ruhe, kein Schlaf, nein, daran ist nicht zu
denken. Sie wühlen und graben die ganze Nacht durch, der Morgen
muß sie bereit finden! Auch der Feind schanzt fieberhaft. Die
Leuchtkugeln steigen. Die ganze vorgeschobene Gräbenkette der
Franzosen ist in unsrer Hand: Labordère, Central, Cimetière,
Bagatelle – aber dahinter hat er im Wald ein Verteidigungswerk, den
„grünen Graben“, bezogen, die Fetzen der französischen Kompanien
haben ihn besetzt und zu einer Festung ausgebaut.
2. Juli Angriff auf den „grünen Graben“!
Der 1. Juli ist kein Ruhetag, das darf man nicht glauben. Ohne
eine Minute Pause wird gearbeitet. Die Leichen werden geborgen,
schauerlichste Arbeit des Soldaten! Lebensmittel und Wasser
herbeigeschafft, Munition, Handgranaten, Minenhunde. Die
Minenwerfer schießen sich ein, die Artilleriebeobachter kriechen
durch die Gräben und lassen ein paar Granaten zur Probe kommen.
Fertig, alles bereit!
Am 2. Juli donnert der Wald und der Boden zittert. Bis fünf Uhr
nachmittags hageln die Granaten auf den grünen Graben herab. Um
fünf Uhr gehen die Grenadiere vor. Bis zur Dunkelheit wogt der
Kampf hin und her. Er ist mörderisch. Hier wird nur mit
Handgranaten und Kolben gekämpft. Wir gewinnen Boden, Schritt
für Schritt. Der Feind schlägt sich bewundernswert, alle Grauen
gestehen es ohne weiteres zu. Ein Bataillon bricht durch, in der
Richtung auf das Dörfchen La Harazée. Es kommt dem grünen
Graben in den Rücken. Von der Rheinbabenhöhe her, von St. Hubert
stürmen unsre Truppen. Der grüne Graben ist nahezu umzingelt. Die
Lage des Feindes ist hoffnungslos, aber er ergibt sich nicht. Da ist
ein Major im grünen Graben, Major Remy, der wie ein Rasender ficht
und seine Leute zum Äußersten anpeitscht. Er fällt. Der grüne
Graben ist genommen!
Die Verwundeten werden fortgeschafft. Die Gefangenen
abtransportiert. Die Toten liegen, wo sie liegen. Noch gibt es keine
Pause. Denn der Graben muß sofort wieder zur Verteidigung
eingerichtet werden. Er ist stellenweise bis zur Sohle eingetrommelt.
Die Sandsäcke, die die Granaten durch den Wald schleuderten,
werden zusammengeschleppt, aufgebaut. Die Stahlschilde
eingerammt, die Maschinengewehre aufgestellt.
Kommt der Feind, so ist man bereit. Und er kam und man war
bereit!
Es wird still. Es ist Nacht. Die erste Nacht seit Wochen, die ruhig
ist, keine Granaten, keine Minen. Der Soldat schläft, tief und
traumlos, wie die Kameraden, die da draußen liegen und alles
vergessen haben.
Die Horchposten kauern im Gebüsch, die Wachen stehen im
finstern Graben. Das Telephon ist schon wieder eingerichtet.
 Höhe 285

Im Juli

F rüher war sie grün. Das Unterholz war so dicht, daß man sich wie
durch einen Urwald vorwärtsarbeiten mußte. Dazwischen
standen mannsdicke Eichen und sonstige Bäume, vielleicht alle
zehn Schritte ein hoher Baum. Wir lagen ihnen auf vierzig bis fünfzig
Schritt gegenüber. Zu sehen war nichts. Sie hatten ein Labyrinth von
Gräben angelegt, Blockhäuser und große Unterstände. Aber man sah
nichts! Regte man sich, so pfiffen die Kugeln. Woher, das wußte man
nicht, sie saßen irgendwo in den Bäumen. Sie waren oben, wir
unten, also sehr im Nachteil.
Seit Ende September pfiffen hier die Kugeln. Die Bäume und die
Stämme des Unterholzes wurden hundertfach durchlöchert, bis sie
abstarben. Die Granaten knickten die Eichen, das Laub wirbelte. Es
wurde allmählich, ganz langsam, lichter.
Man trieb Sappen vor und kam einander näher. Die Wurfminen
flogen von Graben zu Graben. Man trieb Stollen vor, unter der Erde,
wir und er. Die Sprengungen rissen die Bäume in die Luft. Es wurde
immer lichter.
Als ich die Höhe 285 sah, war sie ganz kahl. Sie ist so groß, daß
eine kleine Stadt darauf Platz hätte. Kein grüner Fleck.
Zerschmetterte und zerfetzte Bäume, das ist alles, was geblieben ist.
Ein Schutthaufe, auf den ein Wolkenbruch niederprasselte und
Rinnen, Furchen, Gräben und krumme Schluchten wühlte. So sah sie
aus.
 Sie bot große Vorteile. Sie beherrschte einen Teil der Höhenzüge
ringsum, das Tal gegen Boureuille; er konnte unsre Straßen
einsehen, unsre Zufuhr unter Feuer nehmen. Das war keineswegs
angenehm. Die Höhe 285 mit La Fille morte dahinter war, klar
ausgedrückt, ein Dorn, der uns im Fleisch saß. Der Dorn mußte weg!
Der Franzose mußte hinter die Höhe geworfen werden, weil er dann
nichts mehr sehen konnte.
Es mußte sein und wurde vollbracht! Am 13. Juli.
Es war eine Höllenarbeit, denn er hatte sich eine vollkommene
unterirdische Festung gebaut, in der er bombensicher eingedeckt
lag. Nur bei gewissenhaftester Vorbereitung konnte der Sturm
gelingen.
Tagelang vorher schleppten die Pioniere die zentnerschweren
Wurfminen durch die engen Gräben in die Depots. Tausende von
Handgranaten wurden herangeschafft, Munition aller Art. Die
unterirdischen Gänge wurden ausgebaut, so daß man nur die Decke
einzustoßen brauchte, und man war im Freien. Jeder Mann kannte
seinen Platz und wußte, wohin er den Fuß zu setzen hatte, sobald er
den Graben verließ. Im Kopfe hatte jeder Mann den Sturm schon
vollendet, bevor die erste Granate krepierte. Er wußte, in welchen
Graben er zu gehen hatte, wenn er verwundet wurde. Er wußte,
durch welchen Graben die Gefangenen geführt werden sollten. Alles
war vorher festgesetzt und besprochen. Die Reserven genau
instruiert. Die Gräben sind ein Labyrinth, und nichts ist leichter, als
sich darin zu verlaufen.
Noch eines: die vorderste Sturmkolonne muß formiert werden.
Freiwillige vor! Da melden sich alle. Man verstehe recht: nach einem
Jahr Krieg, nach Monaten von Argonnenkrieg, Monaten von Mühen,
Entbehrungen und Gefahren! Woher schöpfen sie, die Grauen, diese
Kraft? frage ich. Es mußte gelost werden.
Nun also gut, so war es, als der 13. tagte.
Die erste Granate kommt über den morgengrauen Wald und
schlägt krachend auf der Höhe ein. Das ist das Signal. Die
Geschütze, da hinten, stehen schon bereit, ausgerichtet, fertig zum
Schuß. Hauptleute und Kanoniere sind auf dem Posten. Los! Der
Wald ist ein einziges Donnern. Die Kanonen geben Schnellfeuer, ein
Maschinengewehrfeuer von Granaten wirbelt auf die Stellungen des
Feindes nieder. Die schweren Minenhunde rauschen durch den
Morgen. Die Höhe ist eine einzige Staub- und Rauchwolke. Die
Grauen stecken die Köpfe aus den Gräben, um die rauchende Hölle
drüben zu sehen. Die Geschütze rasen.
Der Feind bleibt nicht müßig und antwortet mit wütendem Feuer.
Kaltblütig stehen unsre Artilleriebeobachter in den vordersten
Gräben und dirigieren das Feuer, unbekümmert um Granaten und
Minen, die ringsum krachen. Die Sturmkolonnen kauern dicht
gedrängt in den Unterständen und warten auf ihr Kommando. Sie
liegen in den Sappen bereit, mit Handgranaten am Gürtel und im
Arm, soviel sie schleppen können. Sie kauern in den unterirdischen
Stollen, die unter unsren Drahtverhauen hindurchführen.
Plötzlich schweigt das Feuer.
In der nächsten Minute stürzen die schlesischen Jäger vor. Aus
Sappen, Stollen, Gräben. Der Feind legt einen Feuerriegel vor unsre
Gräben. Hindurch! Ein Leutnant setzt mit einem Sprung über einen
vier Meter breiten feindlichen Drahtverhau. In sieben Minuten sind
die vordersten Gräben überrannt.
Ungeheuer sind die französischen Verluste! Seine Gräben
wimmelten von Truppen, denn er hatte selbst einen Angriff geplant,
und wir waren ihm um einen Tag zuvorgekommen. Eine Mine war in
ein Lager von Handgranaten eingeschlagen und hatte furchtbare
Verwüstungen angerichtet. In einem einzigen Unterstand fand man
einhundertundfünf Tote. Seine Verbände waren zersprengt, aber
noch keineswegs geschlagen.
Sie kämpfen wie Rasende.
Gräben, Sappen, Verbindungsgänge, Sprengtrichter und
Granatlöcher, überall sitzen sie wie festgeschraubt und zerren so viel
Feinde mit in den Tod, wie sie können. In einem Verbindungsgraben
hat sich, mit zwei Gewehren, ein französischer Offizier eingenistet,
der unaufhörlich feuert. Ein Soldat hockt neben ihm und ladet ihm
die Gewehre. Es ist ein Einzelgefecht im großen Kampfe, bis es
gelingt, den kühnen Gegner zu vernichten. Ein Hauptmann bedient
einen verborgenen Minenwerfer, obschon seine Leute ringsum
gefallen sind. Er kämpft mit äußerster Todesverachtung, bis ihn ein
Schlesier niederschlägt.
Schon beginnt wieder das Dickicht. Tausendfach schwirrt der Tod
durch den Wald. Ein Fort, ein eingegrabenes Blockhaus. Ein paar
Pioniere heran, Sprengladung angebracht, fort! Das Blockhaus fliegt
in die Luft. Der Feind läßt eine Mine hochgehen, Steine und Erde
hagelt es aus der Luft. Im nächsten Augenblick sitzen unsre Grauen
im Sprengtrichter und verteidigen ihn nach allen Seiten. Es sind
rasche Teufel, man muß es zugeben!
Der Feind ist zersprengt, gefangen, geschlagen.
Die Argonnenleute sind nicht zum Stehen zu bringen. Sie jagen
weiter, die Höhe hinunter. Sie stürmen ein französisches Lager,
vernichten, was sie vernichten können. Für all diese Fälle sind sie
schon vorbereitet. Sie haben Beile bei sich! Sie stürmen bis zu den
feindlichen Geschützen vor und ringen mit den grauen Untieren, um
sie wegzuschleppen, um sie auf die Höhe zu schaffen. Mit, alles mit,
was mitgehen kann! Aber die Geschütze sind zu schwer, zu fest
eingebaut – es ist menschenunmöglich, sie gefangenzunehmen und
schon nahen französische Reserven. Kurzer Prozeß! Sie schlagen
kaputt, was sich kaputt schlagen läßt, die Richtvorrichtungen, die
Verschlüsse. Sie schieben den grauen Untieren noch rasch ein paar
Handgranaten ins Maul, um sie zu zerstören.
Es ist höchste Zeit! Einer wirft noch rasch eine Handgranate in das
Munitionslager und es fliegt in die Luft.
Zurück! In stehender Schützenlinie feuern sie auf die anrückenden
Reserven ...
Der einzelne zählt hier, der einzelne Mann, er muß rasch, kühn,
verwegen handeln.
 Der Krieg unter der Erde

Im Juli

I n die Erde sind die Gräben eingewühlt, tiefe, krumme Rinnen. Sie
laufen quer durch Felder und Wälder, Dörfer und Friedhöfe, sie
nehmen keine Rücksicht. Vor den Gräben sind die Drahtverhaue,
niedrige, kriechende Gestrüppe mit eisernen Dornen. Diese
Dornengestrüppe sind Geschöpfe des Menschen von heute. Sie
tragen keine Früchte, der Mensch stirbt in ihnen wie die Fliege in
den Haarborsten der fleischfressenden Pflanze. Zwischen den
Drahtverhauen, hinüber und herüber, schwirren die Gewehrkugeln.
Aus dem wassergekühlten Lauf des Maschinengewehres stürzen sich
die zischenden Schwärme. Die Granate kommt aus weiter Ferne
herüber und tastet nach allem, was lebt. Mehr, noch mehr. Die
zentnerschweren Wurfminen stürzen aus den Gräben heraus, in die
feindlichen Gräben hinüber. Die Handgranaten fliegen. Das ist noch
lange nicht alles! Wir, die wir in der Luft, im Wasser, unter dem
Wasser, auf den Schneefeldern und in der Wüste kämpfen, wir
kämpfen heute auch unter der Erde. Wo die Gräben sich einander
nähern, kommt zum Grabenkrieg noch der Minenkrieg. Weiter geht
es nicht.
Es ist der Krieg der Pioniere!
Erst waren sie hinten, Stege und Brücken, dann kamen sie vor,
Unterstände, Gräben und Drahtverhaue. Und schließlich begannen
sie ihren eigenen Krieg, auf ihre Weise. Heute sind sie vorn bei den
Vordersten, und wo der Mann fällt, fällt der Pionier mit ihm.
 Sie sind Teufelskerle und ohne sie geht es nicht mehr. Sie sind
unentbehrlich, geliebt und bewundert.
Also sie kommen, Offizier und Mann, und betrachten sich die
Sache. Sie zögern nicht lange, es ist nicht ihre Art, lange zu fackeln.
Sie fangen an. Hinein in die Erde! Es ist ein Loch, ein Brunnen, ein
Schacht. Ganze Stockwerke tief. Knüppelleitern und Leitern von
Stricken führen hinab. Dann geht es vorwärts, unter den Gräben und
Drahtverhauen hindurch. Von da aus geht es nach rechts und nach
links. Der Stollen wächst. Eine Anzahl von Schächten wird in die Erde
getrieben, und die Stollen strahlen von ihnen aus. Galerien und
Korridore verbinden die Stollen unter der Erde. Da unten in der
Dunkelheit sind neue Laufgräben entstanden. Spitzhacke und Spaten
und Druckluftbohrer fressen sich durch Erde und Stein und es
entsteht ein richtiges Bergwerk.
„Wir haben da und dort eine Mine gesprengt.“ Wer denkt sich
etwas dabei? Niemand. Wer kennt die furchtbare Arbeit?
Sie suchen hier unter der Erde nicht nach Erzen, sie suchen nach
dem Menschen, sie wollen ihn von unten fassen, da es von oben
nicht genügt.
Schwer und hart ist die Arbeit des Pioniers. Acht Stunden lang
schleppt er ununterbrochen Erde und Gestein durch die düsteren
Stollen. Oben, im Licht der Sonne, schüttet er die Erde aus, und
wenn der Feind sieht, daß neue Erdwälle entstehen, so schießt er
augenblicklich mit Granaten hinein. Aber der Pionier? Nun, der
Pionier tut seine Pflicht.
Mit Kompaß und Meßband wird hier unten gearbeitet. Es handelt
sich um geringste Winkel, Gefälle und Steigung, um Meter und halbe
Meter. Züge mit Grubenhölzern rollen heran, die Pioniere schleppen
Tag und Nacht Holz und Balken durch die Stollen, um sie
auszubauen, damit sie ihnen nicht über dem Kopf zusammenbrechen
eines Tages. Das wäre eine hübsche Geschichte! Kilometerlang sind
oft Gänge und Galerien unter der Erde. Aber niemand sieht sie,
niemand kennt die Arbeit der Pioniere.
Es ist eine Arbeit von Wochen und Monaten, eine Arbeit von
Schweiß, Überlegung und Mut.
 Wie steht es? Baut auch er? Der Pionier lauscht drunten in seiner
Nacht. Der Pionier lugt aus, ob nicht drüben bei ihm auffallend viel
Erde aufgeworfen wird. Es regnet in Strömen, tagelang, und der
Pionier horcht: Ja, seine Pumpen spielen! Er hat Wasser in die
Stollen bekommen.
Natürlich baut er, der Franzose. Er hat den Anfang damit gemacht
und ist Meister in diesen Dingen.
Mit List und größter Vorsicht wird dieser Krieg unter der Erde, in
der Finsternis, geführt, viele Meter unter dem Boden. Eines Tages, in
einer Stunde der Nacht, während draußen die Gewehre peitschen
und die Leuchtkugeln alles taghell beleuchten, in einer glücklichen
Minute hört man ihn schaben und scharren, ihn, der von drüben
herübergekommen ist, in den Wochen, in den Monaten, und der, wie
wir, versucht, den Feind von unten zu packen, weil es von oben nicht
genügt. Der Pionier, der ein ganzer Kerl ist und seine Sache versteht,
weiß genau, was er zu tun hat. Mit seinen feinen Ohren horcht er
und sagt sich, es sind vier Meter, es sind sechs Meter. Ist er rechts,
links, oben, unten, feine Ohren gehören dazu. Der Offizier liegt in
seinem Unterstand auf seiner Pritsche und schläft, da tutet das
Telephon: Es sind vier Meter, ich glaube, er ist über uns. Nun schön,
sagt der Offizier, ich komme morgen in aller Frühe.
Nun heißt es handeln! Man muß arbeiten und schaben, damit er
drüben nicht merkt, daß man ihn gehört hat. Es ist ja
wahrscheinlich, daß auch er es gehört hat mit seinen feinen Ohren.
Der große Augenblick ist gekommen. Es handelt sich um Minuten.
Die Sprengladung wird herbeigeschafft. Sandsäcke, ganze Berge von
Sandsäcken werden durch den Brunnenschacht hinunter in den
Stollen getragen. Die Pioniere wimmeln wie Ratten in der Dunkelheit,
aber die Leute vorn arbeiten weiter. Sie markieren die Arbeit, aber es
muß verdammt geschickt gemacht werden. Die Art des Schlagens
und Schabens, obwohl nur markiert wird, darf sich um nichts von
der wirklichen Arbeit unterscheiden, denn er drüben in den Stollen
ist listig wie ein Fuchs. Er wird sich in den Bart lachen und sagen:
Sie markieren jetzt, aber fünf Minuten früher werde ich sprengen.
Dann lebt wohl, Pioniere, Offizier und Mann!
 Peinlich genau werden die Kisten mit der Sprengladung aufgebaut,
mit Sprengkapseln versehen, aber währenddessen wird ohne Pause
das Wühlen und Graben fortgesetzt, und er, der die Sache macht,
muß ein Künstler sein, soll das Werk gelingen. Rasch, rasch!
Die Pioniere hocken im düsteren Stollen. Die Sandsäcke wandern
in fieberhafter Hast von Arm zu Arm. Die Sprengladung muß
eingebaut und ein meterdicker fester Wall davor gerammt werden.
Sonst würde die Ladung unsre Stollen zerreißen und nicht hoch
gehen. Die Säcke wandern rascher und rascher, und der Schweiß
stürzt in Strömen über das Gesicht der Pioniere. Mann für Mann gibt
sein Letztes her! Der vorderste arbeitet wie ein Besessener, stark
und geschickt muß er sein, und baut die Mauer. Rasch, immer
rascher muß es gehen. Er spürt seine Arme nicht mehr, wenn die
Arbeit getan ist. Zurück! Die Leitungsdrähte werden sorgfältig
durchgezogen, die Pioniere stieben rückwärts, rasch, rasch! Und der
Offizier, der Offizier der Pioniere, sagt zu den Grauen in den Gräben:
Also jetzt geht es los, Achtung! In drei Minuten wird gesprengt. Die
Grauen verschwinden in den Unterständen und ziehen die Köpfe ein.
Der Boden wankt, die Mine fliegt hoch! Sie zerreißt die Erde, der
Boden öffnet sich und Steine und Erde jagen Hunderte von Metern
hoch. Ein Vulkan speit. Schwarz und grau steht turmhoch die Rauch-
und Staubsäule. In dem Rauch jagen Sandsäcke und Menschenleiber
in die Höhe und flattern Kleidungsstücke, die der Luftdruck von den
Körpern riß. Achtung! Nun kommen sie herunter. Die Steine prasseln
auf die Gräben herab.
Aber noch regnet es Steine und Trümmer und der Rauch steht
noch undurchdringlich: da sind die Grauen schon aus den Gräben,
schon vorn! Und ehe der Rauch sich verzogen hat, sitzen sie schon
in dem Sprengtrichter, der groß ist wie eine Zirkusmanege. Alles war
vorbereitet, sie hatten nur gelauert. Alles war bereit, Gewehre,
Munition, Handgranaten, Maschinengewehre. Und mit den Grauen
sind auch schon die Pioniere da, mit Sandsäcken, und beginnen wie
die Ameisen zu bauen. Wälle, Schutzschilde, provisorische
Unterstände: Nun mag er kommen! Und schon sind die Pioniere
hinten an der Arbeit, um eine Sappe zu der neuen Festung
vorzutreiben. Wir haben zwanzig Meter, dreißig Meter gewonnen, wir
haben unsere Stellung verbessert, wir haben seine unterirdischen
Stollen zerstört.
In den Zeitungen steht die Notiz: Da und dort haben wir eine Mine
gesprengt. Aber niemand weiß, welche Arbeit, wieviel List und
Kühnheit dazu gehört. Die Pioniere sind Leute, die nicht viel reden.
Das ist der Krieg unter der Erde, der neueste, der furchtbarste.
Tag und Nacht wird gegraben und gewühlt. Eine Mine fliegt hoch, an
dieser und jener Stelle der Front. Man treibt die Stollen bis unter die
Gräben der Feinde, und ein Grabenstück mit allem, was da drinnen
ist, geht in die Luft, Menschen, Munition, Kochgeschirre und Waffen.
Für den Sturm werden Stollen vorbereitet und fliegen auf in der
Sekunde, in der es sein muß.
Wehe aber, wenn er zuerst sprengt, eine Minute früher: Offizier
und Pionier, sie gruben ihr eigenes Grab. Aber sie wissen, was sie
tun, sie wissen, wofür sie es tun.
 La Bassée

Im August

U m sechs Uhr nachmittags verschwinden die Leute von Lille von

der Straße. Um neun Uhr wird es Nacht und Lille ist tot. Nur
vereinzelt ein erleuchtetes Fenster und Stimmen dahinter. Die
Schritte hallen. Ein Polizeisoldat, ein Feldgrauer mit der
schwarzweißroten Binde am Arm, schlürft an den verschlossenen,
finsteren Häusern entlang. Eine Radfahrerpatrouille gleitet
schweigend durch die nächtige Straße. Ein paar verspätete Offiziere.
Man kann stundenlang durch Straßen und Boulevards wandern,
keine Katze regt sich. Lille schläft.
Von draußen, aus der Nacht, dringt der Lärm des Gewehrfeuers.
Man hört es ganz deutlich, jeden einzelnen Schuß. So nahe sind die
Gräben! Es pocht, dumpf und hart, wie eine Negertrommel. Eine
Reihe von Schlägen, dazwischen ein rollender Wirbel. Dann beginnt
es zu prasseln und zu knattern, metallen. Die Maschinengewehre
hämmern. Ein Nachtgefecht, ein paar Gräben sind lebendig
geworden. Das Feuer wird lebhafter, es prasselt minutenlang ohne
jede Pause. Aber Lille schläft. Es öffnet sich kein Fenster, kein Kopf
lauscht hinaus in die Nacht. Kein Herz schlägt rascher, erregt von
einer leisen Hoffnung. Nein! Sie wissen es jetzt. Seit Monaten, seit
dem Herbst hören sie das Rollen des Gewehrfeuers in der Nacht, sie
wissen, es bedeutet – nichts. Sie schlafen, sie halten sich die Ohren
zu, um es nicht zu hören, lange genug haben sie sich betrogen mit
Hoffnungen, Ahnungen, Gerüchten, sie glauben es nicht mehr.
Morgen um fünf Uhr wird der Flieger, klein wie ein Punkt, über der
Stadt erscheinen, und die Abwehrgeschütze werden krachen, aber
sie wissen, auch das bedeutet – nichts. Das Quälendste für den
Menschen ist das Warten, es tötet alle Kraft zu hoffen.
Nein, Lille schläft, es will nicht aufwachen!
Niemals war eine Stadt so still und so dunkel. Punkt drei Uhr
kommt das Auto, das mich hinausbringen soll zu den Gräben, und
wir machen uns auf die Reise.
Das Feuer hat aufgehört, die Stadt ist noch stiller geworden. Sie
schläft nicht, sie liegt in einer Art von Totenstarre. Das Auto gleitet
zwischen schwarzen Häusern dahin. Kein Schnarchen hinter den
dunkeln Fenstern, kein Kinderweinen, stumm, alles stumm. Die
große Stadt ist tot. Wir rollen durch finstere Straßen, über öde Plätze
und leere Boulevards. Eine rote Lampe schwingt am Ende der Straße
hin und her. Aus der Finsternis taucht ein massiges schwarzes
Festungstor. Die Wache tritt vor und blendet mit der Lampe über
Wagen und Insassen. Weiter!
Nun ist es plötzlich noch finsterer geworden. Die Lampe des Autos
leuchtet wie ein Scheinwerfer in die Nacht hinein. Wir jagen an
fahlen Baumstämmen vorüber, durch Grotten von bleichgrünem
Laub. Alleen, Straßen. Der Wagen nimmt Erhöhungen der Straße wie
ein Segelboot die Woge, er tanzt, in den Kurven fegt er haarscharf
an den Bäumen entlang und die Zweige peitschen unsere Gesichter.
Es ist kalt und die satte Luft der Nacht stürzt uns entgegen. Die
Bäume rauschen und brausen im Wind. Aufgescheuchte Tiere,
kalkbleich, huschen über den Weg und Funken stieben blitzschnell
vorüber. Das sind Motten, vom Lichtkegel getroffen und vom
Luftdruck zur Seite geschleudert. Tote, schlafende Dörfer. Kein Laut,
kein Mensch. Der Motor donnert. Rote Backsteinhäuser flammen im
Lichtschein auf und sinken augenblicklich wieder in die Finsternis
zurück. Die erschrockenen Augen einer schneeweißen Katze. Ein
Posten. Ein paar laute Rufe wehen vorbei. Weiter! Der Wagen fliegt.
Herrlich ist die Fahrt. Über uns stehen glitzernd und klar die Sterne
des Sommerhimmels. Wir schweigen. Jeder ist in seine Gedanken
versunken.
 Hier auf dieser Straße marschierten sie, die Kolonnen, Kompanien,
Regimenter, im Herbst. In die Schlacht von La Bassée. Freiwillige,
Studenten. Sie stürmten dahin, sie sangen, ihre Augen sprühten.
Vorwärts! Viele kehrten diese Straße nicht zurück! An der Straße
stehen seltsam geformte Büsche; wie Frauengestalten, die die
Hände vor das Gesicht breiten, erscheinen sie in der Nacht. Hier,
dort, überall. An der Straße stehen Steine, die aufleuchten, sich
gespensterhaft neben der Straße emporrichten, wie Geister, die uns
betrachten wollen, die alles sehen wollen, was diese Straße kommt.
Kleine weiße Kreuze stehen an der Straße, man sieht sie weithin
leuchten, wenn der Lichtkegel sie trifft. Und fliegen wir vorüber, so
drehen sie sich mit einem Ruck uns zu. Der Herbst ist nahe und
immer noch marschieren hier die Kolonnen, die Kompanien und
Regimenter. In der Nacht wandern sie dahin. Sie singen nicht mehr.
Wenn sie sängen, so kämen die Granaten. Dies ist der Grund,
weshalb sie nicht mehr singen.
Von den Gräben her hallen Schüsse. Sie klingen näher und näher,
denn wir sind rasch. Dann und wann schlägt dumpf ein Geschütz,
irgendwo. Auch nachts kann es hier außen keine Ruhe geben. Seit
Monaten lärmt hier der Mensch. Ein paar Furagewagen knarren die
Straße entlang. Die Pferde schlafen im Gehen und fahren unruhig
auf, sobald der Lichtkegel sie faßt. Die Kutscher reißen sich
zusammen. Neben der Straße werden die Granattrichter häufiger.
Viele sind ganz frisch. Der Wagen humpelt über Erde und Steine. Die
Granate schlug mitten in den Weg. Vor ein paar Stunden war es hier
keineswegs gemütlich. Zweige und Äste, das Laub noch grün und
saftig, liegen auf der Chaussee. Baumkronen sind zerfetzt, Splitter
hängen von den Stämmen. Plötzlich zieht der Fahrer mit einem Ruck
die Handbremse an und hält. Ein Baum ist quer über die Straße
gestürzt. Er ist gefallen wie ein Soldat und hingeschlagen. Die
Granate schnitt ihn über der Wurzel glatt durch und warf ihn aufs
Gesicht. Seine Zweige sind noch grün und rauschen im Wind, wälzen
sich hin und her und wissen noch nichts. Der Motor brummt, die
Räder springen in die Höhe, hinüber.
Ein Dorf. Der Posten winkt. Wir müssen die Lampe löschen. Durch
die Dunkelheit tasten wir uns weiter. Die Gewehre knallen. Ein
schweres Geschütz in der Nähe reißt laut krachend ab und die
Granate rauscht in das Dunkel hinein. Kein Zweifel, die Nacht geht
zu Ende. Draußen bei den Gräben steigt zuweilen eine Leuchtkugel
empor. Bleich und sprühend, wie ein gleißender Mond steht sie über
der nächtigen Erde. Die Gewehre lärmen aufgescheucht, dann wird
es wieder still. Die Leuchtkugel sinkt erblassend, ganz langsam, zur
dunklen Erde herab. Nun aber steht rechts, zwischen den Pappeln,
ein funkelndes Leuchtfeuer, grellweiß und drohend. Wiederum kracht
das schwere Geschütz, und die Granate nimmt fauchend und
gurgelnd ihre Bahn über unsere Köpfe hinweg.
Die Sterne erblassen, die Landschaft wird fahl. Nebel steigt aus
den Feldern. Das Auto fliegt. Wir haben Eile, denn die Straße liegt in
Sicht des Feindes. Bevor es tagt, müssen wir an Ort und Stelle sein.
Aus dem grauenden Morgen heben sich die fahlen,
verschwimmenden Umrisse einer Stadt: La Bassée. Ein paar
Soldaten in Hemdsärmeln, fröstelnd in der Morgenkühle, stehen an
der Straße. Leichenhaft erscheint La Bassée im frühen Licht. Kein
Mensch, kein Tier ist hier zurückgeblieben. Von ein paar Wachen
abgesehen, haust hier kein Soldat. Die letzten Einwohner mußten
schon vor Wochen den Ort verlassen, denn La Bassée liegt ständig
unter schwerem Feuer. Die Kirche ist ein Trümmerhaufen, ganze
Häuser sind in die Luft geflogen. Granateinschläge überall. Die Stadt
sieht aus wie von einem Erdbeben zerrissen. Erst schossen wir
hinein, dann übernahm es der Engländer. Hunderte, Tausende von
Granaten fielen auf La Bassée. Es gibt nur wenig Häuser, die
unversehrt sind.
Der Musikpavillon aber steht noch auf dem Marktplatz wie im
Frieden.
Das Auto biegt in eine schmale Gasse ein. Sie ist düster und voller
Qualm. Ein Haus brennt, von einer Granate in der Nacht in Brand
gesetzt. Niemand löscht, niemand kümmert sich darum. Laß es
brennen! Die Flammen lecken aus den Fenstern, sie sind ganz allein,
niemand stört sie, und sie arbeiten ruhig und langsam weiter. Qualm
wirbelt durch das verkohlte Gebälk. Im Hause drinnen klettert das
Feuer über eine purpurrote Tapete mit zarten Empiregirlanden. Die
Scherben des geplatzten Spiegels funkeln. Hier lebten einst
Menschen.
Wir tasten uns durch den ätzenden Rauch, der Chauffeur flucht.
Wir fahren weiter, hinaus zu den Gräben.
 Die Gräben bei La Bassée

Im August

D er Kommandeur ist frühzeitig aufgestanden. Fix und fertig

angekleidet kommt er aus seinem Unterstand geklettert. Sein
Gesicht ist gerötet von der Frische des Morgens. Ein kleiner,
rührender Friedhof mit Kreuzen auf den Gräbern und Blumen,
Granattrichter und ein Haufe zusammengestürzten Mauerwerks, das
ist seine Aussicht. Das Regiment liegt hier seit Monaten, aber der
Kommandeur sieht aus, als sei er auf weitere Monate eingestellt. Er
ist in seinem Dachsbau zu Hause, und was die Aussicht anbetrifft, so
ist ihm das vollkommen gleichgültig.
Er telephoniert seinen Offizieren, daß sie uns einen Führer durch
den Annäherungsgraben entgegenschicken sollen, damit wir uns
nicht verirren, und wir steigen in den Graben.
„Fünf Uhr dreißig Minuten werden unsere 21er die neuen
englischen Gräben eindecken. Seien Sie bis dahin zurück, denn es ist
wahrscheinlich, daß er antwortet. Alles Gute!“
Wir trollen zwischen den Lehmwänden und Sandsäcken dahin.
Eine Viertelstunde sind wir unterwegs, Geschütze pochen, da pfeift
und saust es in der Luft, ein sonderbares und nicht zu verkennendes
Pfeifen. Wir ducken uns zusammen. Mit einem höllischen Sang, böse
zischend, fährt die Granate über unsere Köpfe weg. Kaum ist sie
vorüber, kommt die zweite angefegt, in der nächsten Sekunde die
dritte und dahinter die vierte. In einem Höllentempo jagen sie dahin,
eins, zwei, als wollten sie einander einholen. Im Bruchteil einer
Sekunde sind sie vorüber, man sieht sie nicht, aber in meiner
Vorstellung haben sie die Gestalt von Schlangen angenommen, von
höllischen Vipern, die langgestreckt zischend durch die Luft fahren.
Die Einschläge klingen nahezu wie ein einziger Krach, als würden ein
paar schwere Eisentüren fast gleichzeitig ins Schloß geschmettert.
So! Aber wir haben uns kaum von dem Schrecken erholt, als die
zweite Lage pfeifend und fauchend angefegt kommt und uns über
die Köpfe zischt. Eins, zwei, drei, vier und Schluß. Das war die
Begrüßung.
„Es sind Flachbahngeschosse,“ sagt der Hauptmann, „sie zischen
so blödsinnig!“
In den Gräben ist man schon munter. Die Gewehre peitschen, und
die Spitzkugeln fahren summend und singend über uns dahin. Die
Engländer haben die Morgenarbeit aufgenommen und knallen, um
vollends wach zu werden. Sie passen verflucht auf. Sobald man die
Mütze über die Sandsäcke streckt, kommt eine Kugel herüber.
Draußen ist nichts zu sehen: Drahtverhaue, eine verwilderte Wiese,
ein Erdwall, hinter dem es sich zuweilen bewegt. Das ist alles.
Unsere Grauen sind auf dem Posten. Die runde Mütze in die Stirn
gedrückt, stehen sie und lugen durch Schießscharten und
Spiegelapparate. Sie rücken die Gewehre, tasten hin und her, setzen
ab, zielen von neuem. Plötzlich erstarrt das Gesicht auf eine
Sekunde: Schuß! Sie spaßen nicht, o nein, sie nehmen es verdammt
ernst und gewissenhaft. Sie sind ganz bei der Sache. Alle paar
Schritte steht ein Grauer und lauert.
So stehen sie von der Nordsee angefangen bis hinunter zur
Schweiz. So stehen Hunderttausende, Tag und Nacht, seit zehn
Monaten, jetzt und in dieser Sekunde. So stehen sie, bis die
tausendste Kugel kommt und sie in den Graben wirft. Wer sie
gesehen hat, die Treuen, muß immer an sie denken: wie sie stehen,
lauern, zielen, feuern, unermüdlich.
Eine unheimliche Spannung herrscht zwischen den beiden
Labyrinthen der Gräben. Wie zwischen zwei Gewitterwolken. Sie
verdichtet sich, die Kugel blitzt hinüber, herüber.
Die andern frühstücken. Sie trinken Kaffee aus Blechbüchsen,
streichen sich Butterbrote, schneiden Fleisch aus den Dosen. Über
ihren Köpfen die Ballen von Sandsäcken, die Maschinengewehre, das
Gespinst der raschen Kugeln. Andre liegen in ihren kleinen Nischen,
die schmutzigen Stiefel unter den Mantel gezogen, und schnarchen.
Sie liegen schlafend mitten im Graben, und man muß über sie
hinwegklettern. Sind sie tot, leben sie? Man kann es nicht sagen.
Ein Teil der Gräben ist zusammengetrommelt und wird instand
gesetzt. Die Sandsäcke sind durcheinandergeschleudert,
aufgeschlitzt und gelb von den Schwefelgranaten, die der Engländer
feuert. Ich greife rasch nach einer Zigarette. Hier stinkt es
grauenvoll! Der unsagbare Gestank wirft mich nahezu um. Schon
beim Gedanken an diesen Gestank wird mir übel. Es ist der
penetrante Geruch von Raubtieren, verhundertfacht, vermischt mit
allerlei Unsagbarem und Scheußlichem, es ist die Pest, es ist der
verwesende Mensch. Die Engländer faulen hier!
Arme Schufte, für ein paar Schillinge die Woche –. French jagte
sie hier in den Tod.
Der Engländer schont seine Regimenter. Er spart Soldaten. Gott
weiß, ob er sie nicht einmal gut gebrauchen kann, so gegen den
Schluß zu, wenn der Partner genug hat? Dann ist es immer eine
herrliche Sache, ein paar frische und nagelneue Divisionen an der
Hand zu haben, die im Hintergrund in Paradestellung verharren,
während man mit dem Partner in aller Höflichkeit über die
Bedingungen verhandelt. Aber von Zeit zu Zeit ist es unbedingt
notwendig, so zu tun, als mache man ernsthaft mit. Dann opfert
French ein paar Regimenter, um den Franzosen seine Verlustlisten
unter die Nase halten zu können. In erster Linie gibt er den
Kanadiern, Irländern und Indern Gelegenheit, Beweise ihrer Loyalität
zu geben. Siehe Ypern, Neuve Chapelle. Wird es Ernst, so zieht er
gern seine englischen Regimenter aus den Gräben und wirft
Überseeische und Farbige nach vorn. Man muß zugeben, er versteht
seine Sache! Aber sie allein können ja nicht alle schwere Arbeit
verrichten, das ist natürlich.
Als die Franzosen sich bei Arras und Souchez verbluteten, konnte
er nicht ganz müßig bleiben. Es galt Truppen und Artillerie
abzuziehen. Er entschloß sich, anzugreifen, und es muß gesagt
werden, er meinte es diesmal bitter ernst! Trommelfeuer, Angriff auf
Angriff. Erbitterte Grabenkämpfe. Die Toten liegen in Haufen vor
unsern Drähten. Unsere Grauen wanken und weichen nicht.
Gegen die Gräben, durch die ich mich jetzt winde, gegen die
sogenannte Trichterstellung, warf er drei Divisionen. Er faßt Fuß,
aber eine Stunde später fliegt er wieder hinaus. Der Angriff war
furchtbar, er wurde trotz der Übermacht abgewiesen. So geht es
nicht.
Er versucht es von neuem. Er versucht es ohne
Artillerievorbereitung. Er will uns überraschen. Seine Sturmkolonnen
fluten heran. Aber die Grauen sind auf dem Posten! Innerhalb von
30 Sekunden (dreißig Sekunden) legt unsere Artillerie einen
Feuerriegel vor die Gräben, daß den Engländern Hören und Sehen
vergeht. Sie müssen zurück, ungeheuer sind ihre Verluste.
Es ging auch so nicht. Nicht einen Meter haben sie gewonnen.
Sie haben genug, sie haben den Franzosen gezeigt, daß sie es
ernst meinten – aber es ging nicht. Sie geben es auf. Aber sie
werden die Gräben von Givenchy und Festubert nicht vergessen. –
Nun liegen sie in den Massengräbern, die unsere Grauen
schaufelten, und verwesen. Hier sind einige Wassertümpel voll einer
gelben dicken Jauche, und auch diese Tümpel strömen denselben
furchtbaren Gestank aus. Niemand wagt zu denken, wie es da unten
aussieht! – Unsere Grauen aber frühstücken, schneiden Fleisch aus
den Büchsen und schmieren sich dicke Butterbrote. An alles gewöhnt
sich der Mensch.
Wir überschreiten auf einer Planke die gelbe Tümpelkette. Hier
gibt es keine Deckung, und so rasch es geht huschen wir hinüber.
Einer hinter dem andern. Aber die Schufte haben uns doch gesehen.
Ein paar Minuten sind wir in der Sappe unterwegs, da weint es in der
Luft und die Granate schlägt krachend ein. Wir machen uns aus dem
Staub. Granate um Granate segelt daher. Vorsichtig lugen wir aus
dem Graben und sehen die Einschläge rauchen. Weitab! Aber
plötzlich kommen sie wieder näher und schließlich müssen wir die
Beine strecken. –
Punkt fünf Uhr dreißig Minuten, auf die Sekunde, nehmen die 21er
das Feuer auf. Die Granate winselt hoch über uns durch die Luft.
Drei Sekunden Stille, dann ein Krachen, als stürze ein Haus aus
Eisen zusammen. Der Boden bebt unter unsern Füßen. Schon
kommt die nächste Granate angeweint. Sie braucht eine unendlich
lange Zeit, bis sie ihre Bahn durchfegt. Einschlag auf Einschlag! Es
ist wie ein schweres Gewitter mit harten Donnerschlägen. Der
Engländer antwortet. Er sucht aufgeregt und wütend unsere
Haubitzen. Geradeaus, am Horizont, stehen die Rauchfahnen seiner
Granaten, schwarz und schiefergrau.
Wir sitzen im Bataillonsunterstand und trinken Kaffee. Die
Granaten weinen über uns hin. Die schweren Geschütze erschüttern
die Luft mit ihrem Gebrumm.
„Fragen Sie telephonisch an, wie es steht.“
Das Telephon tutet. Von den Gräben kommt die Antwort zurück:
„Der Erfolg ist überraschend günstig.“
Es ist ein Morgen wie jeder andere. Ein Duell zwischen ein paar
Batterien, nichts sonst. Die Berichte bringen nicht eine Silbe darüber.