Smart Handlebar with Integrated Auto Finger Sensor for Biometric Authentication and Rider Safety
Notice bibliographique
Résumé
This work proposes a dual-layer access control and health monitoring framework designed for smart mobility applications such as electric bicycles. The system integrates fingerprint-based biometric authentication with real-time physiological monitoring to enhance both security and rider safety. Fingerprint input is used to authorize legitimate users, while health parameters including blood pressure, oxygen saturation$\left(\text{SpO}_{2}\right)$, and body temperature are continuously assessed to verify the rider's fitness to operate the vehicle. A MATLAB/Simulink model was developed to simulate the decision-making process, where logical operators merge authentication results with health thresholds to determine access permission. Hardware implementation using a fingerprint sensor, pulse oximeter, and temperature sensor validates the proposed approach. Experimental results show an authentication success rate of 95 %, a false acceptance rate below 1 %, and health parameter accuracy within acceptable medical tolerance. Emergency alerts via GSM/GPS were triggered within 15 seconds during abnormal conditions. The fingerprint identification module eliminates the risk of theft and misuse, augmenting accountability as well as user identification. Concurrently, the embedded medical monitoring sensors provide ongoing feedback to the onboard system, which can alert or invoke emergency protocols in the event of abnormal readings such as signs of an oncoming heart attack or severe fatigue. These dual-use not only augment personal security but also ensure public security by preventing accident risks caused by medical crises during traveling.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».