Design and laboratory validation of an in-ear noise dosimetry device
Notice bibliographique
Résumé
The assessment of noise exposure is a major component of any hearing conservation program. It is \nusually conducted using either sound level meters (SLM) or personal noise dosimeters (PND). Some \nsignificant problems arise when performing noise exposure measurements using SLMs or PNDs. \nFirst, these devices do not usually account precisely for the variations of the actual noise exposure \nexperienced by a given worker over the work shift. Additionally, the attenuation provided by the hearing \nprotector that is worn is only taken into account very approximately. To address these issues, the \npurpose of this study is to implement a precise and reliable in-ear noise dosimetry system based on \nlow computational algorithms that can be used in a wide variety of environments and work conditions. \nThe adopted methodology focuses on the implementation and validation of a real-time measurement \nsystem. The proposed system utilizes a set of two miniature microphones placed inside and outside \nthe earcanal. Besides, two types of in-ear prototypes were developed: one for the unoccluded ear \nand one for the ear occluded with a passive earplug. The validation of the in-ear devices prototypes \nand algorithm implementation was done using data collected during a study on human subjects. Both \ndeveloped hardware and software elements make it possible to determine correction factors enabling \nthe conversion of the measured in-ear noise exposure levels to their equivalent free-field values. Furthermore, \nthe implemented algorithms can detect and exclude wearer-induced disturbances (speech, \nmicrophonics, etc.) making it possible to assess noise exposure with and without the energy contribution \nfrom these self-generated noises. This paper presents a successful implementation and validation \nof an in-ear noise dosimetry system, with unique features and capabilities, that could lead to the \nimprovement of methods and systems for personal noise exposure assessments in the workplace. \nKeywords: acoustics, in-ear noise dosimetry, hearing-protection, occupational health and safety, \nacoustics, instrumentation, real-time algorithms implementation.
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 | 0,001 | 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 ».