MétaCan
Menu
Retour à la cohorte
Enregistrement W3116714578 · doi:10.1109/bibe50027.2020.00083

Frequency Response of a Novel IR Based Pressure Sensitive Mat for Well-being Assessment

2020· article· en· W3116714578 sur OpenAlexafffund
Bruce Wallace, Julien Larivière-Chartier, Haoyang Liu, Tom Sloan, Rafik Goubran, Frank Knoefel

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Invasive Vital Sign Monitoring
Établissements canadiensUniversity of OttawaBruyèreCarleton UniversityInnovation, Science and Economic Development Canada
Organismes subventionnairesAGE-WELL
Mots-clésFrequency responseResponse timeBandwidth (computing)Computer scienceDetectorMaterials scienceCommon emitterPressure sensorAcousticsElectronic engineeringOptoelectronicsEngineeringElectrical engineeringMechanical engineeringPhysicsTelecommunications

Résumé

récupéré en direct d'OpenAlex

The potential for pressure sensitive mats to provide a means for ambient well-being sensing and assessment when placed within beds or chairs has been widely studied although many mats have limitations in capability and cost. This paper presents the results for a novel pressure sensitive mat that combines an Infrared (IR) based emitter/detector proximity sensor device with a flexible gel material (Hexyoo Scientific Inc. Opus Gel). The performance results for a bench prototype sensor that combines layers of gel that have differing colour and structure properties with the sensors is shown. Specifically, the step response of the prototype is analyzed for step-up and step-down loads representing a pressure range typical for human body pressures. The results show that the frequency response for the two cases are both low-pass in nature and that the frequency response for the step-down response is a loss of 10dB at 6Hz while the step-up response is narrower with a 10dB loss at 2Hz. This bandwidth is sufficient to allow assessment of human motions with the sensor, while also using significantly simpler and lower cost technology compared to previously reported fibre optic mats.

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: aucune
Score de désaccord entre enseignants0,668
Score d'incertitude au seuil0,694

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,017
Tête enseignante GPT0,251
Écart entre enseignants0,234 · 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

Citations4
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetNon-Invasive Vital Sign MonitoringTravaux en français237 207