Self-Powered Load Sensing Circuitry for Total Knee Replacement
Notice bibliographique
Résumé
There has been a significant increase in the number of total knee replacement (TKR) surgeries over the past few years, particularly among active young and elderly people suffering from knee pain. Continuous and optimal monitoring of the load on the knee is highly desirable for designing more reliable knee implants. This paper focuses on designing a smart knee implant consisting of a triboelectric energy harvester and a frontend electronic system to process the harvested signal for monitoring the knee load. The harvester produces an AC signal with peak voltages ranging from 10 V to 150 V at different values of knee cyclic loads. This paper demonstrates the measurement results of a PCB prototype of the frontend electronic system fabricated to verify the functionality and feasibility of the proposed approach for a small range of cycling load. The frontend electronic system consists of a voltage processing unit to attenuate high peak voltages, a rectifier and a regulator to convert the input AC signal into a stabilized DC signal. The DC voltage signal provides biasing for the delta-sigma analog-to-digital converter (ADC). Thus, the output of the triboelectric harvester acts as both the power signal that is rectified/regulated and data signal that is digitized. The power consumption of the proposed PCB design is approximately <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$5.35~\mu \text{W}$ </tex-math></inline-formula> . Next, the frontend sensor circuitry is improved to accommodate a wider range of cyclic load. These results demonstrate that triboelectric energy harvesting is a promising technique for self-monitoring the load inside knee implants.
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 ».