MétaCan
Menu
Retour à la cohorte
Enregistrement W2560154340 · doi:10.1063/1.4971215

Power capacity from earcanal dynamic motion

2016· article· en· W2560154340 sur OpenAlexafffund
Johan Carioli, Aidin Delnavaz, Ricardo J. Zednik, Jérémie Voix

Notice bibliographique

RevueAIP Advances · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueEnergy Harvesting in Wireless Networks
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésEnergy harvestingWearable computerComputer scienceBendingEnergy (signal processing)Electric potential energyMechanical energyDistortion (music)Power (physics)SimulationAcousticsMechanical engineeringEngineeringTelecommunicationsStructural engineeringPhysics

Résumé

récupéré en direct d'OpenAlex

In-ear devices, such as a hearing aids, electronic earplugs, and wearables, need electrical power to operate. Batteries are the current solution, but unfortunately they also create other problems. For example, several hundred million users, mostly elderly, must change their hearing aid batteries on a weekly basis, which represents not only significant financial costs but a negative environmental impact. A promising alternative involves harvesting energy by converting the dynamic jaw movements into electrical energy via the earcanal. The extent that jaw movements distort the earcanal is still unknown, making it difficult to design the appropriate energy harvesting system for the earplug. Moreover, the finite element methods are barely capable to model the behavior of the earcanal distortion because of the complexity of mechanisms that deform the earcanal. However, this paper presents an alternative method, based on analytical considerations, to understand in-ear mechanical quasi-static deformations using earcanal point clouds. This model quantifies the bending and compressive movements of the earcanal. It can therefore be used to select an appropriate deformation mode for harvesting energy from the earcanal’s dynamic motion. The value of this approach was illustrated by calculating the obtainable mechanical energy from 12 human subjects. On average, the bending energy in a human earcanal was found to be three times greater than the radial compression energy. This key finding will need to be considered in the design of future in-ear energy harvesting devices. Such an energy harvesting device has the potential to revolutionize the market for in-ear wearable devices and hearing aids by complementing or replacing battery technology.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,059

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0180,003

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 Opus0,006
Tête enseignante GPT0,196
Écart entre enseignants0,191 · 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 source (Gemma direct ou Codex distillé), 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

Citations12
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAIP AdvancesMême sujetEnergy Harvesting in Wireless NetworksTravaux en français237 207