Multichannel Wearable Sensor Based on Porous Structure for Simultaneous Acquisition of Different Mechanical Signals
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 intricate mechanical signals inherent in human motion pose significant challenges for the accurate and real-time recognition of postures, necessitating the development of sensors capable of detecting multiple mechanical stimuli concurrently. Herein, a resistance and capacitance multichannel sensor with porous structure is reported. Benefitting from the pores introduced by the prefoaming and steeping process, the resistance channel exhibits heightened sensitivity to strain (gauge factor, GF, of 2.112 for 0–80% strain and 14.227 for 80–150% strain) while remaining nearly insensitive to pressure. Conversely, the capacitance channel demonstrates high sensitivity to pressure (sensitivity, S, of 41.46 Pa –1 for 0–5.5 kPa pressure) and significantly lower sensitivity to strain. The sensor’s superior anti-cross-talk capability allows for the precise differentiation of motion characteristics augmented by machine learning algorithms, enabling the accurate identification of various joint and finger types and states with high recognition rates of 99.89% and 98.56%, respectively. Additionally, a Tai Chi posture recognition system has been developed, leveraging a lightweight hybrid convolutional neural network–long-term memory (CNN-LSTM) model, achieving a remarkable classification accuracy of nearly 99.85% for four distinct continuous Kungfu forms.
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) | 0,001 | 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 découle