Additively Manufactured High Gauge-Factor Compliant Strain Sensor for Machine Learning-Based Sleep Apnea Detection and Prediction
Notice bibliographique
Résumé
This paper presents a methodology for fabricating a strain sensor designed explicitly for respiratory monitoring. The sensor’s high gauge factor and low stiffness make it particularly suitable for application to patients who cannot tolerate high stress on their chest, such as infants or the elderly. The sensor comprises a flexible polymeric spring coated with a carbon-based nanocomposite acting as the active layer. Different weight percentages of carbon-based materials are used to determine the percolation threshold, and the percolation threshold was determined to be at 4.75 and 4.25 wt% of graphene and MWCNTs with maximum gauge factors of 949.02 and 117.52, respectively. SEM and gauge factor analysis showed that a higher loading would lead to a more brittle sensor and premature failure due to the contrast in mechanical properties between the active layer and the flexible substrate. A cyclic fatigue test was done on the strain sensor under normal operating conditions. The sensor was able to withstand a total of 21600 cycles without failure with some relatively consistent signal. Additionally, we study the effectiveness of utilizing respiratory signals for sleep apnea event prediction using Short-Time Fourier transforms and 2D Convolutional Neural Networks, a suitable use case for fabricated sensors. The results provide a 1-3% improvement in accuracy over traditional baselines that utilize raw signal data.
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 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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».