MétaCan
Menu
Retour à la cohorte
Enregistrement W2898096163 · doi:10.1109/jsen.2018.2877747

Polymer Microelectromechanical System-Integrated Flexible Sensors for Wearable Technologies

2018· article· en· W2898096163 sur OpenAlexafffund
Shicheng Fan, Lingju Meng, Dan Li, Wei Zheng, Xihua Wang

Notice bibliographique

RevueIEEE Sensors Journal · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAlberta Innovates Bio SolutionsUniversity of Alberta
Mots-clésPressure sensorWearable computerPolydimethylsiloxaneMicroelectromechanical systemsFlexibility (engineering)RoboticsComputer sciencePiezoresistive effectMaterials scienceElectrical engineeringNanotechnologyEmbedded systemEngineeringMechanical engineeringRobotArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Microelectromechanical systems (MEMS) using flexible and/or stretchable polymers can bring new functions of conformal integration of sensors on flat and curved surfaces. Here, we report flexible strain/pressure sensors using polydimethylsiloxane (PDMS) and polyimide-based MEMS. The MEMS device architecture enables the integration of three electrical sensors, outputting digital signals, onto an area of 50 mm2for strain and pressure detection. We show that engineered sensors with various sensitivities in bending mode can be applied to control robotic arms. Another demonstration of pressure sensing using these sensors enables the potential of pressure control in handling physical objects. Our integrated wearable flexible sensors, compared to widely used rigid sensors, derive flexibility and stretchability from polymer materials and have huge potential applications in robotics, prosthetics, and other wearable technologies requiring flexible sensors.

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)0,000
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

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 savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,014
Tête enseignante GPT0,236
Écart entre enseignants0,222 · 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

Citations23
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Sensors JournalMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207