MétaCan
Menu
Retour à la cohorte
Enregistrement W2887450437 · doi:10.1109/memea.2018.8438680

Accurate Technique for Measuring Electrical Permittivity of Biological Tissues at Low Frequencies and Sensitivity Analysis

2018· article· en· W2887450437 sur OpenAlexaff
Seyyed M. Hesabgar, Reza Jafari, Abbas Samani

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueElectrical and Bioimpedance Tomography
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésPermittivityMaterials scienceCapacitive sensingSensitivity (control systems)CapacitanceElectrical impedanceDielectricRepeatabilityBiomedical engineeringBiological tissueAcousticsFinite element methodElectronic engineeringOptoelectronicsComputer scienceElectrical engineeringMathematicsEngineeringPhysicsElectrode

Résumé

récupéré en direct d'OpenAlex

This paper presents an accurate technique for measuring electrical permittivity (EP) of small biological tissue specimens at low frequencies while measurement sensitivity to specimen geometry and tissue specimen inhomogeneity is investigated. Accurate EP measurement of various biological tissues, including healthy and pathological tissues, can pave the way for a wide range of medical applications. This novel technique utilizes a high precision hardware for impedance measurement of a capacitive structure formed by two conductive plates and the tissue specimen as its dielectric. The capacitance part of the measured impedance is processed using an inverse finite element framework to determine the tissue electrical permittivity. This framework considers specimen's accurate geometry and boundary conditions. After successful validation, the technique was employed to measure electrical permittivity of several specimens of bovine heart, liver and bone tissues. The proposed technique is reliable and is expected to offer improved measurement accuracy and repeatability of electrical permittivity of multi-layered tissue specimens, especially at low frequencies.

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 enseignants0,116
Score d'incertitude au seuil0,410

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,026
Tête enseignante GPT0,246
Écart entre enseignants0,220 · 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

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetElectrical and Bioimpedance TomographyTravaux en français237 207