MétaCan
Menu
Retour à la cohorte
Enregistrement W2925813576 · doi:10.1109/jerm.2019.2909386

RF Injection Network Development for Testing of Active Implantable Medical Devices Exposed to RF Fields in 1.5 T MRI Systems

2019· article· en· W2925813576 sur OpenAlexafffund
Ali Attaran, William B. Handler, Blaine A. Chronik

Notice bibliographique

RevueIEEE Journal of Electromagnetics RF and Microwaves in Medicine and Biology · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueElectrostatic Discharge in Electronics
Établissements canadiensWestern University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCMC Microsystems
Mots-clésAttenuator (electronics)Radio frequencyElectronic engineeringRF power amplifierComputer scienceElectronic componentEngineeringElectrical engineeringAttenuationAmplifierPhysics

Résumé

récupéré en direct d'OpenAlex

This paper presents the design, construction, and testing of an RF injection network for MR-conditional medical testing of devices for use within 1.5 T MRI scanners (i.e., frequency of 63.4 MHz). The system was developed to meet the requirements of ISO/TS 10974:2018(E). A directional lumped element coupler, power splitter, an attenuator/isolator, low-pass filter, and high-pass filter were designed and implemented as part of the network. The RF injection network was developed in both a compact version implemented in a single PCB and discrete PCB version for use in different situations. The performance of each designed component was simulated and compared to measurement results. As an application example, a neuromodulation system was tested using the developed RF injection network for conductive emission testing.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,296
Score d'incertitude au seuil0,493

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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 Opus0,018
Tête enseignante GPT0,272
Écart entre enseignants0,254 · 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

Citations5
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Journal of Electromagnetics RF and Microwaves in Medicine and BiologyMême sujetElectrostatic Discharge in ElectronicsTravaux en français237 207