Vocero
|
Transcripción
|
| Valerie Rennoll |
Uno de los principales objetivos del laboratorio es el desarrollo de sensores acústicos nuevos y flexibles para su uso en el cuerpo. |
| |
Hoy discutiré mi investigación sobre el uso de un diseño óptimo de experimentos para estudiar las propiedades acústicas de varios materiales poliméricos diferentes con partículas agregadas. |
| |
Los resultados de este experimento se utilizan para desarrollar un sensor adaptado de impedancia acústica. |
| |
Por tanto, la impedancia y la atenuación acústicas son propiedades importantes de los materiales que afectan a los materiales de propagación del sonido. La impedancia acústica es función de su densidad en la velocidad del sonido a través del material. |
| |
Cuando el sonido viaja de un material a otro, las diferencias en la impedancia acústica hacen que la energía se refleje en el límite. |
| |
Este desajuste de impedancia acústica entre el agua y el aire es la razón por la que, si alguien hace un sonido bajo el agua en una piscina y estás parado al lado de esa piscina, no podrás escuchar ese sonido. |
| |
Entonces, estas animaciones muestran cómo la impedancia acústica afecta la transmisión de los sonidos corporales. |
| |
En esta primera figura, verá que el sonido emitido por su cuerpo golpea una interfaz entre su piel y el aire, lo que hace que la mayor parte del sonido se refleje hacia el cuerpo, debido a la gran diferencia de impedancia. |
| |
La segunda figura muestra cómo este efecto se amplifica realmente cuando un médico escucha su ... |
| |
escucha su cuerpo usando un estetoscopio. La falta de coincidencia de impedancia conduce a que una pequeña parte de la energía incidente se transmita al estetoscopio y también agrega una ruta en la que el ruido en el aire realmente puede corromper la señal. |
| |
Esta tercera figura demuestra nuestro enfoque con el sensor de coincidencia de impedancia. Las impedancias están bien adaptadas, por lo que se produce muy poca reflexión de la señal en la interfaz del sensor del cuerpo y el ruido en el aire se refleja pasivamente fuera del sensor. |
| |
En general, al hacer coincidir la impedancia acústica del medio que se está monitoreando, se puede capturar una mayor cantidad de sonido. Para hacer esto, debe entenderse cómo se puede fabricar un polímero para apuntar a una impedancia acústica específica. |
| |
Por lo tanto, investigaciones anteriores habían demostrado que las nanopartículas se pueden dispersar en una matriz de polímero para controlar su impedancia acústica. |
| |
Sin embargo, la investigación existente tenía un alcance limitado a explorar básicamente el espacio de diseño, utilizando un enfoque de un factor a la vez y centrándose en un pequeño subconjunto de factores relevantes. |
| |
Así que decidimos ampliar la investigación anterior mediante la creación de un diseño óptimo de experimentos en JMP. El diseño óptimo fue ideal porque queríamos considerar una combinación de factores continuos, discretos y categóricos. |
| |
Entonces, estas dos tablas brindan una descripción general de los factores y las respuestas que incluimos en el DOE. |
| |
Después de una revisión de la literatura para considerar los factores que deberían estudiarse, optamos por incluir siete factores totales del tipo de polímero; concentración, tamaño y densidad de partículas; |
| |
espesor de la muestra; y frecuencia y temperatura de caracterización. Como puede ver en esta tercera columna, los factores generalmente incluían configuraciones bajas, altas y centrales, |
| |
aunque el tipo de polímero incluía cuatro niveles. El diseño también se configuró para tener en cuenta las restricciones de los factores, por lo que ciertos tipos de polímeros no se podían combinar con el tamaño de partícula más pequeño porque evitaba el curado de los polímeros. |
| |
Estudiamos cuatro respuestas totales, incluida la densidad, la velocidad del sonido, la impedancia acústica y la atenuación. |
| |
El objetivo era apuntar a un valor de impedancia acústica específico con una atenuación mínima y simplemente comprender los factores que afectan la densidad en la velocidad del sonido. |
| |
Nuestro objetivo era estimar todos los efectos medios, interacciones de segundo orden y términos cuadráticos para generar un modelo con alta precisión predictiva. Y para ello nos decidimos por fabricar un total de 98 muestras para tener un poder razonable para detectar estos efectos. |
| |
Los materiales se caracterizaron mediante una técnica de transmisión a través en la que las propiedades acústicas desconocidas del material se obtienen a partir de la comparación con un material de referencia, en este caso el agua. |
| |
Se envía una señal desde el transmisor al receptor y la señal que se captura se compara cuando se viaja solo a través del agua, frente al agua y la muestra. |
| |
Entonces, dentro del espacio de diseño que exploramos, encontramos ... medimos un rango de impedancias acústicas dependiendo del polímero y las propiedades de las partículas agregadas. |
| |
Descubrimos que podíamos igualar las impedancias acústicas de materiales como el agua, la piel y la madera. |
| |
Después de recopilar datos de respuesta para cada una de las 98 muestras, comparamos varios modelos candidatos reducidos, con el objetivo de obtener la mayor precisión predictiva. |
| |
con el menor número de coeficientes del modelo. Usamos técnicas como la selección hacia atrás y la validación cruzada de K veces |
| |
para obtener posibles modelos y luego utilizó una variedad de herramientas de evaluación para elegir el modelo final. Se consideró si había valores atípicos o puntos influyentes incluidos en los datos, |
| |
si los errores fueron independientes y se distribuyeron normalmente con variantes constantes y una media de cero, y si hubo una falta significativa de ajuste en el modelo. |
| |
En general, encontramos que el modelo de impedancia acústica elegido final era un ajuste adecuado para nuestros propósitos. Esta trama de la izquierda |
| |
muestra la gráfica real frente a la predicha, y puede ver que los datos se ajustan muy bien a lo largo de la línea diagonal, lo que significa que los datos reales y predictivos son muy similares. |
| |
Y los residuos, como puede ver, en este gráfico de la derecha, normalmente se distribuyen alrededor de cero sin un patrón definido. |
| |
El modelo final elegido incluyó factores significativos de tipo de polímero, concentración de dopante y temperatura. El modelo tenía un valor de R cuadrado ajustado de .995 y una raíz del error cuadrático medio de .02. |
| |
Entonces, debido a que nuestro objetivo principal era fabricar un polímero con una impedancia acústica específica y una atenuación mínima, el perfilador de predicción fue realmente útil |
| |
para alcanzar este objetivo. Entonces, en este video, pueden ver que estoy demostrando cómo el generador de perfiles de producción señala las condiciones necesarias para apuntar a un valor de impedancia de 1.3M Rayos con atenuación mínima. |
| |
Usamos el generador de perfiles de predicción para predecir las condiciones necesarias para fabricar un total de nueve polímeros con impedancia de 1, 1.3, 1.6, 1.9 y 2.2 MRayls. |
| |
El error medio entre los valores de impedancia acústica pronosticados y medidos fue de sólo 1,4%, una diferencia de alrededor de 0,05 MRayls. |
| |
Entonces, confiando en los resultados de nuestro DOE, usamos las condiciones específicas de fabricación del polímero al armar un sensor acústico de impedancia coincidente, al que me referiré como Hearo. |
| |
En esta imagen, puede ver varios dispositivos Hearo con diferentes valores de impedancia objetivo, según la aplicación objetivo de interés. Comparamos este dispositivo de adaptación de impedancia con un micrófono y un acelerómetro típicos utilizando métricas de relación señal / ruido. |
| |
En estas cifras de SNR, un valor más alto indica una mayor correlación con la señal de interés y una menor correlación con el ruido aéreo. Entonces, la métrica general de la señal se limita tomando la diferencia entre |
| |
la coherencia con la señal del simulador menos la coherencia con el ruido. Puedes ver que Hearo en este tipo de color naranja muestra menos coherencia con el ruido. |
| |
y una mayor coherencia con la señal del simulador, lo que lleva a una métrica SNR más alta en general en comparación con un acelerómetro y un micrófono con diafragma. |
| |
En estas demostraciones, puede ver que esto lleva a Hearo a capturar una señal muy limpia del cuerpo o del instrumento sin captar el ruido del aire. Entonces, este primer video muestra a Hearo grabando sonidos cardíacos y pulmonares en un entorno hogareño. |
| |
Y el segundo video muestra a Hearo grabando las campanas. |
| |
Así que realmente imaginamos que este sensor podría proporcionar una forma mejorada de monitorear los sonidos del cuerpo o de los instrumentos. Los dispositivos típicos requieren circuitos de supresión de ruido costosos. |
| |
Entonces, en resumen, usamos un diseño de experimentos en JMP para comprender cómo múltiples condiciones de fabricación y caracterización impactan las propiedades acústicas de los polímeros con partículas agregadas. |
| |
El modelo obtenido del experimento demostró una alta precisión predictiva y se utilizó en el diseño de un sensor acústico de impedancia adaptada. |
| |
El sensor demuestra una fidelidad de señal mejorada y reducción de ruido en comparación con los sensores existentes que están optimizados para la captación de sonido en el aire. Gracias por su atención y no dude en ponerse en contacto conmigo si tiene alguna pregunta. |
