MétaCan
Menu
Retour à la cohorte
Enregistrement W2283555357 · doi:10.1149/ma2014-01/40/1492

Applications of Optoelectronics Sensor Technology in Environmental and Personal Health Monitoring

2014· article· en· W2283555357 sur OpenAlexaff
Qiyin Fang, M. Jamal Deen, Ravi Selvaganapathy

Notice bibliographique

RevueECS Meeting Abstracts · 2014
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAir Quality Monitoring and Forecasting
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésMicroelectronicsWearable computerNanotechnologyComputer scienceWearable technologySystems engineeringEngineeringEmbedded systemMaterials science

Résumé

récupéré en direct d'OpenAlex

Integrated optoelectronics is originally developed based on microelectronics processing, fabrication, and integration. Over the past decade, its focus has been shifted from telecommunication devices towards biomedical and environmental applications. The most notable advances include nano/micro-optical-electrical-mechanical systems (N/MOEMS) and optofluidics. Current technology developments not only lead to novel devices, but application oriented, full systems integration dissimilar materials and modules at the system level. These enabling technologies, in turn, facilitated the emerging growth of a number of new frontiers in biomedical, clinical, and environmental applications. Highly integrated micro-nano-systems (MNS) technology will lead to wireless sensing devices that can fit into small spaces with improved sensitivity and specificity. As a result, a number of such technologies have find application in the emerging field of environment pollutant monitoring, wearable physiological monitoring, activity sensing, and even clinical diagnostic devices. Another important feature of microelectronics fabrication based micro-nano system technology is the potential for low cost, sensitive, and automated sample handling capability. These advantages have enabled large scale, distributed sensing and monitoring applications.

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)0,001
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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,080
Score d'incertitude au seuil0,427

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 GPT0,249
Écart entre enseignants0,238 · 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'étudeObservationnel
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

Citations1
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetAir Quality Monitoring and ForecastingTravaux en français237 207