A scalable fibre optic sensing architecture for lab-on-a-chip devices
Notice bibliographique
Résumé
Advancements in continuous and digital microfluidics (DMF) for integrated optics technologies are improving the feasibility of biophotonic sensors within lab-on-a-chip devices. Lab-on-a-chip diagnostic devices are achieving unprecedented high levels of throughput. Digital microfluidics, with its reconfigurable nature, is often utilized over continuous microfluidic systems due to reagent economy, precision, potential for scalability, and independent fluid actuation. However, scalability within DMF systems is currently inhibited by the DMF sensing architectures that are presently used, being capacitance and resistance sensing. These electrical-based sensing architectures probe each microdroplet location and this is difficult to scale. In this work, a fibre-optic sensing architecture is developed to improve scalability and achieve independent sensing of microdroplets. The sensing architecture utilizes an m × n (column and row) perpendicular overlap grid structure of embedded fibre-optic cables that yields m × n sensing positions with m + n measurement points. To evaluate both localized and practical scalability of the system, actuation contact time and differentiation of multiple microdroplets are assessed. The embedded fibre-optic cables will distribute light proportional to the number of microdroplets in contact along the column or row. Differentiation of multiple microdroplets is assessed with a theoretical model and through experimental measurements. The DMF sensing architecture is demonstrated for a three by three grid with multiple microdroplets present. The results show compatibility with high-speed DMF operation (due to fast contact times) and demonstrate scalable sensing of multiple microdroplets.
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 | 0,000 | 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 ».