Photodetector Innovations for Advancing Wearable Optical Biosensors: A Review
Notice bibliographique
Résumé
Optical biosensors such as photoplethysmography (PPG), pulse oximetry, and near-infrared spectroscopy (NIRS) are critical health monitoring tools, providing critical insights into physiological indicators such as heart rate (HR), oxygen saturation, blood pressure (BP), and respiratory rate (RR). At the core of these sensors are photodetectors (PDs), which are available in various types, including inorganic [such as p-n, p-i-n, avalanche, CMOS, single-photon avalanche, silicon photomultiplier (SiPM), and dynamic PDs (DPDs)] and organic (such as bulk heterojunction (BHJ), photomultiplication (PM), and hybrid CMOS PDs). The choice of a PD significantly influences optical biosensor performance by affecting key factors such as photosensitivity, detectivity, signal-to-noise ratio (SNR), dynamic range (DR), low-light detection, parasitic capacitance, dark current, noise, power consumption, and design complexity. This article provides a detailed review of the latest innovations in PDs and their associated readout circuit designs, highlighting how they enhance the performance of optical biosignal sensing. It also explores future trends in PD development, including high-mobility semiconductors, ultrathin PD layers, and novel fabrication techniques that are driving the evolution of the next-generation biosignal sensing solutions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».