SafeRespirator: Comprehensive Database for N95 Filtering Facepiece Respirator Leakage Detection Including Infrared, RGB Videos, and Quantitative Fit Testing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The COVID-19 pandemic underscored the challenges of performing mandatory Quantitative Fit Tests (QNFT) for healthcare professionals and the limitations of self-administered fit checks. To address this, it is crucial to develop faster and more efficient methods for detecting, locating, and quantifying Filtering Facepiece Respirators (FFRs) leakage, providing wearers with immediate feedback on their safety. Infrared (IR) technology, which relies on temperature variation analysis around the face seal, has proven effective for locating leakage but has not yet achieved automated quantification. This paper introduces a validated protocol for creating a comprehensive database to advance automatic leakage detection. The database includes synchronized and calibrated IR and RGB video data, along with QNFT results, collected from 62 participants wearing four different N95 FFR models in four distinct positions. High-performance IR and RGB cameras were used to precisely capture temperature variations, while a PortaCount® instrument served as the reference for fit quantification. Preliminary results using the MediaPipe approach with synchronized and calibrated RGB and IR videos demonstrate that precise tracking of the human face is achievable even with an FFR. The normalized cross-correlation methods further highlight the capability of IR imaging to accurately monitor and detect leakage. This breakthrough paves the way for real-time, automated detection of N95 FFR leakage, potentially deployable at operator workstations. This large, high-quality, open-access database is available to the scientific community to drive innovation in respiratory protection research and beyond.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle