Application-Based Production and Testing of a Core–Sheath Fiber Strain Sensor for Wearable Electronics: Feasibility Study of Using the Sensors in Measuring Tri-Axial Trunk Motion Angles
Notice bibliographique
Résumé
Wearable electronics are recognized as a vital tool for gathering in situ kinematic information of human body movements. In this paper, we describe the production of a core-sheath fiber strain sensor from readily available materials in a one-step dip-coating process, and demonstrate the development of a smart sleeveless shirt for measuring the kinematic angles of the trunk relative to the pelvis in complicated three-dimensional movements. The sensor's piezoresistive properties and characteristics were studied with respect to the type of core material used. Sensor performance was optimized by straining above the intended working region to increase the consistency and accuracy of the piezoresistive sensor. The accuracy of the sensor when tracking random movements was tested using a rigorous 4-h random wave pattern to mimic what would be required for satisfactory use in prototype devices. By processing the raw signal with a machine learning algorithm, we were able to track a strain of random wave patterns to a normalized root mean square error of 1.6%, highlighting the consistency and reproducible behavior of the relatively simple sensor. Then, we evaluated the performance of these sensors in a prototype motion capture shirt, in a study with 12 participants performing a set of eight different types of uniaxial and multiaxial movements. A machine learning random forest regressor model estimated the trunk flexion, lateral bending, and rotation angles with errors of 4.26°, 3.53°, and 3.44° respectively. These results demonstrate the feasibility of using smart textiles for capturing complicated movements and a solution for the real-time monitoring of daily activities.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».