High‐throughput and sensitive particle counting by a novel microfluidic differential resistive pulse sensor with multidetecting channels and a common reference channel
Notice bibliographique
Résumé
High-throughput particle counting by a differential resistive pulse sensing method in a microfluidic chip is presented in this paper. A sensitive differential microfluidic sensor with multiple detecting channels and one common reference channel was devised. To test the particle counting performance of this chip, an experimental system which consists of the microfluidic chip, electric resistors, an amplification circuit, a LabView based data acquisition device was developed. The influence of the common reference channel on the S/N of particle detection was investigated. The relationship between the hydraulic pressure drop applied across the detecting channel and the counting throughput was experimentally obtained. The experimental results show that the reference channel designed in this work can improve the S/N by ten times, thus enabling sensitive high-throughput particle counting. Because of the greatly improved S/N, the sensing gate with a size of 25 × 50 × 10 μm (W × L × H) in our chips can detect and count particles larger than 1.5 μm in diameter. The counting throughput increases with the increase in the flowing velocity of the sample solution. An average throughput of 7140/min under a flow rate of 10 μL/min was achieved. Comparing with other methods, the structure of the chip and particle detecting mechanism reported in this paper is simple and sensitive, and does not have the crosstalking problem. Counting throughput can be adjusted simply by changing the number of the detecting channels.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».