MétaCan
Menu
Retour à la cohorte
Enregistrement W4393140320 · doi:10.1109/jiot.2024.3381233

Embracing Self-Powered Wearables for Intelligent Healthcare Data Management

2024· article· en· W4393140320 sur OpenAlexaff
Wei Gong, Zhaoyuan Xu, Longzhi Yuan, Haoquan Zhou, Si Chen, Yuan Ding, Amiya Nayak, Jiangchuan Liu

Notice bibliographique

RevueIEEE Internet of Things Journal · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensUniversity of OttawaSimon Fraser University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésWearable computerComputer scienceSoftware deploymentPower managementEmbedded systemWirelessHealth careWireless sensor networkData managementBattery (electricity)Data transmissionWearable technologyWorkstationEfficient energy useSmartwatchTelecommunicationsComputer hardwareComputer networkPower (physics)Electrical engineeringDatabaseEngineeringOperating system

Résumé

récupéré en direct d'OpenAlex

Existing IoT systems suffer from restricted communication distances, high deployment costs, and frequent battery replacements, making them ineffective for managing healthcare data. This paper presents Prometheus, a self-powered wristband for reporting personal health status over long distances and intelligently managing healthcare data. Prometheus backscatters ambient BLE and ZigBee signals for low-power communication while incorporating a multi-source energy harvester to convert ambient RF, light, and heat into electricity. It also features a biochemical sensor array for monitoring sweat biochemical markers. Prototyped on a flexible PCB, Prometheus demonstrates impressive efficiency, consuming only 5.8 mW for sweat sensing, with BLE and ZigBee transmission energies significantly lower than standard electrochemical workstations and commercial alternatives. Our experiments show consistent signal quality at distances up to 20 meters. In summary, Prometheus emerges as a convenient, efficient, and self-powered wristband, promising to provide ubiquitous healthcare data management in our lives.

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: aucune
Score de désaccord entre enseignants0,809
Score d'incertitude au seuil0,587

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 savante0,0000,001
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 Opus0,037
Tête enseignante GPT0,292
Écart entre enseignants0,255 · 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

Citations18
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Internet of Things JournalMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207