MétaCan
Menu
Retour à la cohorte
Enregistrement W4283800951 · doi:10.1016/j.medengphy.2022.103845

A Strengthened and Sensorised Custom Silicone Glove for use with an Intelligent Prosthetic Hand

2022· article· en· W4283800951 sur OpenAlexaff
Peter Kyberd, Duncan Findlayson, Madhupani Jayasuriya, L. P. F. Chibante

Notice bibliographique

RevueMedical Engineering & Physics · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueMuscle activation and electromyography studies
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesnon disponible
Mots-clésSiliconeFlexibility (engineering)Prosthetic handMaterials scienceCushionSilicone ElastomersTear resistanceComposite materialBiomedical engineeringComputer scienceMechanical engineeringEngineeringUltimate tensile strengthArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

External gloves for anthropomorphic prosthetic hands protect the mechanisms from damage and ingress of contaminants and can be used to create a pleasing, life-like appearance. The properties of the glove material are the result of a compromise between the resistance to damage and flexibility. Silicone gloves are easier to flex and keep clean, but also more easily damaged. This paper details the use of nanoclay fillers to enhance the properties of silicone, successfully increasing strength whilst maintaining flexibility. The performance of the enhanced silicone is as robust and resistant to tear and puncture as commercial gloves, while being more flexible. This flexibility makes the incorporation of a piezo-electric pressure sensor based on the EEonyx conductive fabric, practical. A sandwich of the cloth and copper fabric creates the sensor, which decreases in resistance with increasing pressure. The sensors are characterised and production variability within the silicone are tested. Three sensors are incorporated into a glove made to fit around a Southampton Intelligent Hand. The hand adapts its grip shape and force depending on the object held. The technology is adaptable and it can be incorporated in a glove produced to fit any prosthetic hand.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,468
Score d'incertitude au seuil0,622

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 Opus0,011
Tête enseignante GPT0,204
Écart entre enseignants0,193 · 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'étudeSimulation ou modélisation
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

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Engineering & PhysicsMême sujetMuscle activation and electromyography studiesTravaux en français237 207