In-Ear Energy Harvesting: Source Characterization and Mechanical Simulator (Part I)
Notice bibliographique
Résumé
During daily activities, such as chewing, eating, speaking, and so forth, the human jaw moves, and the earcanal is deformed by its anatomic neighbor called the temporomandibular joint (TMJ). Given the frequency of those jaw joint activities, the earcanal dynamic movement is a promising source of energy in close proximity to the ear, and such energy can be harvested by using a mechanical–electrical transducer dubbed energy harvester. However, the optimal design of such micromachine requires the characterization of the TMJ’s range of motion, its mechanical action on the earcanal, and its mechanical power capability. For that purpose, this research presents two methods for analyzing the earcanal dynamic movements: first, an in situ approach based on the measurement of the pressure variation in a water-filled earplug fitted inside the ear canal, and second, an anatomic-driven mechanism in the form of a chewing test fixture capable of reproducing the TMJ kinematics with great precision. The pressure earplug system provides the earcanal global dynamics, which can be derived as an equivalent displaced volume, while the chewing test fixture provides the discrete displacement along the earcanal wall. Both approaches are complementary and contribute to a better analysis of the interaction between the TMJ and earcanal. Ultimately, knowledge of the maximum displacement area and the derived generated power within the earcanal will lead to the design of a micromachine, allowing for the further investigation of in-ear energy harvesting strategies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».