Ir-Ni oxide as a promising material for nerve and brain stimulating electrodes
Notice bibliographique
Résumé
Tremendous potential for successful medical device development lies in both electrical stimulation therapies and neuronal prosthetic devices, which can be utilized in an extensive number of neurological disorders. These technologies rely on the successful electrical stimulation of biological tissue (i.e. neurons) through the use of electrodes. However, this technology faces the principal problem of poor stimulus selectivity due to the currently available electrode's large size relative to its targeted population of neurons. Irreversible damage to both the stimulated tissue and electrode are limiting factors in miniaturization of this technology, as charge density increases with decreasing electrode size. In an attempt to find an equilibrium between these two opposing constraints (electrode size and charge density), the objective of this work was to develop a novel iridium-nickel oxide (Ir 0.2 -Ni 0.8 -oxide) coating that could intrinsically offer high charge storage capacity. Thermal decomposition was used to fabricate titanium oxide, iridium oxide, nickel oxide, and bimetallic iridium-nickel oxide coatings on titanium electrode substrates. The Ir 0.2 -Ni 0.8 -oxide coating yielded the highest intrinsic (material property) and extrinsic (material property + surface area) charge storage capacity (CSC) among the investigated materials, exceeding the performance of the current state-ofthe-art neural stimulating electrode, Ir-oxide. This indicates that the Ir 0.2 -Ni 0.8 -oxide material is a promising alternative to currently used Ir-oxide, Pt, Au and carbon-based stimulating electrodes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».