XiaoMi-AI文件搜索系统
World File Search System健康监测
利用热电发电机为可穿戴健康监测传感器供电的能量收集面罩
简介：近几十年来，人们对可穿戴设备的兴趣与日俱增，因为它们能够远程实时监测患者的生命体征 [1]。大多数可穿戴设备的功能仅依赖于电池供电。为了解决这一限制，必须开发出对可穿戴设备非常高效的能量收集系统 [2]。能量收集是收集、转换和输送任何设备可用能量的系统过程。近年来，研究人员已经展示了各种类型的机械能量收集器作为可穿戴平台，包括高度可拉伸的压电能量收集器 [3, 4]、柔性压电纳米发电机 [5, 6] 和基于皮肤的摩擦电纳米发电机 [7]。此外，热能也可以成为可穿戴能量收集应用的可靠来源，因为它的温度恒定在 37°C 左右 [2]。热电发电机 (TEG) 的工作原理是塞贝克效应，可以有效地将设备热侧和冷侧之间的热梯度转换为电能 [8, 9, 27]。人体是一个持续的热量发生器，人体和周围环境之间通常存在温差 [10]。较低的环境温度、空气对流或佩戴者活动较多可以显著增加所收集的能量 [11]。如果 TEG 可以收集人体释放的所有热量（根据身体活动不同，热量范围从 60 到 180 W），则产生的功率将在 0.6–1.8 W 左右 [12]。这个功率足以为许多可穿戴传感器提供能量。近年来，还开发了柔性 TEG，例如 Ren 等人报道的自修复 TEG 系统 [13]。可穿戴热电技术的显著现代应用包括但不限于手表式热电和血氧仪、柔性热电心电图检测器、热电助听器、温度检测设备和智能服装系统 [14]。可穿戴和可植入设备领域（包括生物医学传感器）因其在健康监测、疾病预防、诊断和治疗中的关键应用而引起了人们的极大兴趣 [15]。研究人员展示的可穿戴生物医学传感器技术的最新进展包括但不限于被动无线呼吸传感器、耳内脑电图系统和用于闭环深部脑刺激的无线唤醒/睡眠识别腕带 [16–18]。然而，电池的有限容量和相当大的物理尺寸分别对其寿命和整体尺寸造成了限制。Dagdeviren 等人（2017 年） [19] 和 Zhang 等人（2018 年） [20]。 （2021）[20] 表明从生物体中获取能量是一个可行的解决方案，主要强调自供电生物医学设备的开发。
可伸展的热电发电机，用于自有权力可穿戴健康监测
随着连续可穿戴的生理监测系统在医疗保健方面变得更加普遍，因此对可以在长时间持续时间可持续能够可持续使用电源的无线传感器和电子设备的功率来源。使用热电发生器（TEG）收集可穿戴能量，其中人体加热转化为电能，这是一种有希望的方法来延长无线操作并解决电池寿命的问题。在这项工作中，引入了高性能TEG，将3D打印的弹性体与液态金属环氧聚合物复合材料和热电半导体相结合，以实现与人体的弹性合规性和机械兼容性。热电特性在能量收集（seebeck）和主动加热/冷却（毛皮）模式中都具有特征，并检查在各种条件下（例如坐着，步行和跑步）的可穿戴能量收获的性能。在户外行走时戴在用户的前臂上时，TEG阵列能够使用光子传感器收集光摄影学（PPG）波形数据，并使用板载蓝牙蓝牙低能（BLE）无线电器将数据无线传输到外部PC。这代表了在可持续磨损的智能电子产品的道路上向前迈出的重要一步。
分解的表示与物理信息的变异自动编码器进行结构健康监测
摘要。大规模对结构的手动检查和评估是劳动密集型的，而且通常是不可行的，而数据驱动的机器学习技术可能无法识别相关的失败机制，并且对以前看不见的条件的概括不佳，尤其是在有限的信息中遇到的。我们提出了一个物理知识的变异自动编码器公式，以在测量中删除混杂源的图表学习，以计算基于物理模型的潜在参数的后验分布，并在有限测量值时预测结构的响应。自动编码器的潜在空间通过一组基于物理的潜在变量进行增强，这些变量可解释，并以先验分布和基于物理模型的形式允许域知识包含在自动编码器公式中。为了防止模型的数据驱动的组件覆盖已知的物理学，训练目标中包括一个正则化项，该术语对潜在空间和生成模型预测施加约束。在合成案例研究中评估了所提出的方法的可行性。
深度学习方法的最新进展用于锂离子电池的健康监测
摘要：近年来，通过广泛采用锂离子电池（LIB）作为主要的储能解决方案，运输电气化的快速演变得到了推动。确保这些LIB的安全有效操作的关键需求将电池管理系统（BMS）定位为该景观中的关键组件。在各种BMS功能中，状态和温度监测的出现是智能LIB管理的最重要的。本评论重点介绍了自由局健康管理的两个关键方面：对卫生状况（SOH）的准确预测和剩余使用寿命的估计（RUL）。实现精确的SOH预测不仅延长了Libs的寿命，而且还提供了优化电池使用情况的宝贵见解。此外，准确的规则估计对于有效的电池管理和州估计至关重要，尤其是随着电动汽车需求不断增长。评论强调了机器学习（ML）技术在增强LIB状态预测的同时降低计算复杂性的重要性。通过深入研究该领域的当前研究状态，该评论旨在阐明在LIBS背景下利用ML的有希望的未来途径。值得注意的是，它强调了高级RUL预测技术的越来越多的必要性及其在应对与电动汽车需求迅速相关的挑战方面的作用。在采用对称方法时，ML与电池管理协调一致，极大地促进了运输电气化的可持续进度。这项全面的审查确定了现有的挑战，并提出了一个结构化框架来克服这些障碍，并强调了专门针对可充电LIB的机器学习应用程序的开发。在这项工作中，人工智能（AI）技术的整合至关重要，因为研究人员渴望加快电池性能的进步并克服与LIBS相关的当前限制。本研究提供了文献的简洁概述，为使用ML技术用于锂电池健康监测时提供了有关当前状态，未来前景和挑战的见解。
2024年5月28日 - 医学分钟 - 新的综合假计划| Burstein到主席DHMI研究部分|心理健康监测工具揭示了令人惊讶的结果
随着心理健康意识月的临近，现在是检查福利燃油表的有效性的好时机，福利燃料量表是Shannon Scielzo，Ph.D。的简单评估工具。 ，教育管理副教授兼教育副主任。“居民福祉是医学教育中日益相关的问题，但是如何最好地衡量它，” Scielzo博士说。“我们将近10年前开发了燃油表，以便居民可以直接与计划的政府进行沟通，并且计划负责人可以监视和确定在福祉方面挣扎的居民。”该工具要求居民使用1到5个Likert型比例（1，空； 3，一半的水箱；和5，全油箱）报告其“燃料水平”。计划领导者与提供低分（1或2）的居民联系，该计划主管每周发送电子邮件更新，以解决居民对其福祉燃油表的评论。“从我的角度来看，对我们的学员的福祉通常是基于上下文的 - 环境或情况是主要原因，而不是个人或个性，” Scielzo博士说。“因此，我们努力在可能的情况下解决临床学习环境，并帮助受训者寻求支持和资源来解决其余的问题。”她说，多年来，该工具强调了居民之间的相似之处。“如果他们睡眠不足，生病，饥饿或与某人的互动不良，我们可能会期望福祉较低，并且可能的负面结果可能会产生。”她补充说。“同样，我们已经检查了各种旋转（从同一环境中的同龄人到其他人）的分数的对应关系，并且环境似乎占了福祉分数的差异的很大一部分。因此，如果实习生对幸福感低，他们的同龄人，教师监督他们，甚至团队中的护士也可能很低。”
J-B HI专辑“非接触式感应和智能处理，用于健康监测和早期疾病检测”
健康监测和早期疾病检测在当代医疗保健中具有巨大的重要性，从而提供了从反应性转向主动和预防方法的范式。在其新生阶段检测健康问题可以及时干预，通常在症状表现出现之前。但是，传统疾病检测方法通常涉及侵入性程序，或要求个人束缚在监视设备上。非接触式传感技术，例如红外传感器，雷达和计算机视觉，可以无侵入性的重要健康数据收集。例如，配备这些传感器的可穿戴设备可以实时监视心率，呼吸速度和体温，从而提供连续的数据流，而不会破坏用户的日常活动。同时，由人工智能（AI）和机器学习（ML）算法推动的智能处理在理解无接触式传感设备产生的大量数据方面起着关键作用。将非接触式感应与智能处理技术相结合可以极大地使未来的医疗保健受益。鉴于这种潜力，该特殊部分提供了一个涵盖全面算法，框架，技术以及非接触式感应和智能处理以进行健康监测和早期疾病检测的应用。
联邦卷积神经网络用于创伤性脑损伤的预测分析：分散健康监测的进步
摘要 - 创伤性脑损伤（TBI）是一个重大的全球健康问题，通常会导致长期残疾和认知障碍。对TBI的准确及时诊断对于有效的治疗和管理至关重要。在本文中，我们提出了一个新型联邦卷积神经网络（FEDCNN）框架，用于在分散的健康监测中对TBI进行预测分析。该框架在Python中实现，利用了三个不同的数据集：CQ500，RSNA和中心-TBI，每个数据集都包含与TBI相关的带注释的脑CT图像。该方法包括数据预处理，使用灰度级别共发生矩阵（GLCM）的特征提取，采用蚱hopper优化算法（GOA）的特征选择以及使用FEDCNN进行分类。与现有方法（例如Dann，RF和DT和LSTM）相比，我们的方法的精度为99.2％，超过1.6％。FEDCNN框架提供了分散的隐私性 - 在各个网络之间保存培训，同时与中央服务器共享模型参数，从而确保健康监控中的数据隐私和分散化。评估指标在内，包括准确性，精度，召回和F1得分表明了我们方法在准确分类与TBI相关的正常和异常脑CT图像方面的有效性。ROC分析进一步验证了FedCNN框架的判别能力，强调了其作为TBI诊断的先进工具的潜力。我们的研究通过为TBI管理提供了可靠，有效的方法，为分散的健康监测领域做出了贡献，从而在患者护理和医疗保健管理方面提供了重大进步。未来的研究可以探索扩展FedCNN框架以结合其他模式和数据集，并集成先进的深度学习体系结构和优化算法，以进一步提高医疗保健应用程序中的性能和可扩展性。
使用不确定性的实用电池健康监测 -
摘要 - 在电动流动性时代，重力健康监测和预测对安全，可持续性和经济方面产生巨大影响至关重要。现有的研究通常集中于预测准确性，但倾向于忽略可能阻碍技术在现实世界应用中部署的实际因素。在本文中，我们解决了这些实际注意事项，并基于贝叶斯神经网络来开发模型，以预测电池寿命。我们的模型使用与电池健康有关的传感器数据，并将分布（而不是单点）应用于模型的每个参数。这使模型可以捕获电池健康的固有随机性和不确定性，这不仅会导致准确的预测，而且导致可量化的不确定性。我们进行了一项实验研究，并证明了我们提出的模型的有效性，预测错误率为13.9％，对于某些测试的电池，预测率为13.9％。此外，所有预测均包括可量化的确定性，从电池的初始阶段到中年阶段提高了66％。这项研究对电池技术具有实际价值，并有助于加速行业的技术采用。索引术语 - 预算健康监测，临终预测，机器学习，工业人工智能
个性化的健康监测系统：整合可穿戴和AI
可穿戴技术和人工智能（AI）的整合已彻底改变了医疗保健，从而实现了先进的个人健康监测系统。本文探讨了可穿戴技术和AI对医疗保健的变革性影响，并强调了综合个人健康监测系统（IPHMS）的发展和理论化。通过整合来自各种可穿戴设备的数据，例如智能手机，Apple Watch和OURA环，IPHMS框架旨在通过实时警报，全面跟踪和个性化的见解来彻底改变个人健康监测。尽管具有潜力，但实际实施仍面临挑战，包括数据隐私，系统互操作性和可伸缩性。医疗保健技术从传统方法到AI增强可穿戴设备的发展强调了对个性化护理的重大进步，需要进一步的研究和创新来解决现有的局限性并充分实现此类综合健康监测系统的好处。
基于物件互联网的健康监测系统的自主轮椅
由于脑瘫，认知障碍和疲劳而导致的复杂残疾和流动性障碍患者[8]。例如，帕金森氏病的患者通常缺乏因感知障碍而操纵EPW的认知和身体技能。对65位临床医生的一项研究报告说，由于感觉障碍，流动性受损或认知缺陷，其患者中有10％至40％无法配备EPW。这些障碍使得用当前的控制功能安全操作轮椅非常困难[9]。因此，那些不能独立和安全地操纵EPW的人必须坐在手动轮椅上，并由照料者推动。为了解决这些问题，学者改善了三个主要领域的EPW设计：辅助技术力学，物理接口和用户和轮椅之间的功率共享控制[10] [11]。