MétaCan
Menu
Retour à la cohorte
Enregistrement W2071702994 · doi:10.1109/ultsym.2014.0487

Development of a microfluidic device with integrated high frequency ultrasound probe for particle characterization

2014· article· en· W2071702994 sur OpenAlexaff
Eric M. Strohm, Michael C. Kolios, Dae Kun Hwang, Byeong‐Ui Moon, Scott Tsai

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Bio-sensing Technologies
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésUltrasoundParticle (ecology)TransducerMaterials scienceMicrofluidicsAcousticsParticle sizeSIGNAL (programming language)Ultrasonic sensorSpeed of soundWavelengthAcoustic wavePolystyreneNanotechnologyOptoelectronicsPhysicsChemistryComputer science

Résumé

récupéré en direct d'OpenAlex

A microfluidic flow device incorporating a 200 MHz ultrasound probe has been developed to rapidly characterize micron-sized particles. The device hydrodynamically focuses a particle stream under the ultrasound transducer, where pulse-echo ultrasound is used to probe the passing particles one by one. When the ultrasound wavelength is similar to the particle size, the scattered wave depends strongly on the particle size, and the sound speed and density of the particle and surrounding fluid. Each particle type and size has a unique acoustic signature from which it can be identified. To demonstrate this, polystyrene microbeads with two different sizes were used, 6 or 10 μm. Each particle produced an ultrasound signal, and it was identified as either 6 or 10 μm according to unique features in the ultrasound power spectrum. The ultrasound spectral features agreed with those measured from stationary beads using an acoustic microscope, and also to theoretical predictions. These results show for the first time, a new high-speed method of characterizing micron-sized particles using sound waves with applications towards classifying biological cells.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,303
Score d'incertitude au seuil0,359

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,191
Écart entre enseignants0,180 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMicrofluidic and Bio-sensing TechnologiesTravaux en français237 207