Design and Implementation of an IoT-Based Respiratory Motion Sensor
Notice bibliographique
Résumé
In the last few decades, several wearable devices have been designed to monitor respiration rate to capture pulmonary signals with a higher accuracy and reduce patients’ discomfort during use. In this article, we present the design and implementation of a device for the real-time monitoring of respiratory system movements. When breathing, the circumference of the abdomen and thorax changes; therefore, we used a Force-Sensing Resistor (FSR) attached to a Printed Circuit Board (PCB) to measure this variation as the patient inhales and exhales. The mechanical strain this causes changes the FSR electrical resistance accordingly. Also, for streaming this variable resistance on an Internet of Things (IoT) platform, Bluetooth Low Energy (BLE) 5 is utilized due to its adequate throughput, high accessibility, and the possibility of power consumption reduction. In addition to the sensing mechanism, the device includes a compact, energy-efficient micro-controller and a three-axis accelerometer that captures body movement. Power is supplied by a rechargeable Lithium-ion Polymer (LiPo) battery, and energy usage is optimized using a buck converter. For comfort and usability, the enclosure was 3D printed using Stereolithography (SLA) technology to ensure a smooth, ergonomic shape. This setup allows the device to operate reliably over long periods without disturbing the user. Altogether, the design supports continuous respiratory tracking in both clinical and home settings, offering a practical, low-power, and portable solution.
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 ».