Sustainable Live Sound Monitoring and Classification System Enabled by a Triboelectric Nanogenerator and Machine Learning Techniques
Notice bibliographique
Résumé
The growing demand for sustainable, real‐time audio processing drives innovations in sound classification and energy harvesting. Traditional sound monitoring systems often struggle with scalability, energy efficiency, and adaptability, particularly in remote or resource‐limited environments. The expansion of IoT applications intensifies power demands in widely distributed wireless sensor networks, highlighting the need for sustainable solutions. Moreover, the volume of data generated by these sensors frequently exceeds the capacity for efficient human analysis, necessitating the integration of machine learning and deep learning techniques. These methods must be optimized for fine‐tuning with minimal data from new sensors, enabling efficient and accurate sound classification without extensive retraining. This paper presents a Triboelectric Nanogenerator (TENG)‐based microphone that addresses energy consumption and data processing challenges by integrating advanced materials with sound classification systems. The proposed device uses polyimine/graphite polypropylene (PI/GP) coated paper to capture sound and harvest energy from ambient noise. It delivers an output power of 25.67 μW at 94 dB, powering a wireless transmission circuit while achieving high acoustic sensitivity and a frequency response of up to 20 kHz. Performance evaluations show 92.7% classification accuracy in simulated live environments and a processing time of 0.342 s for 5‐s audio clips using the MobileNet V1 model. Pre‐trained models fine‐tuned with minimal data from the TENG microphone enable efficient sound classification without extensive retraining. This innovation offers a sustainable alternative to conventional microphones, supporting self‐powered, real‐time monitoring systems with wireless data transmission and energy storage capabilities.
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 | 0,000 | 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 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 ».