008240612s2023      us  |||||||||||||||c||eng  d
■001000016931863
■00520240214100129
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379712167
■035    ▼a(MiAaPQ)AAI30426077
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aZhang,  Zijing.▼0(orcid)0000-0002-7647-5112
■24510▼aRF  Sensors  for  Medical  and  Cyber-Physical  Intelligence▼h[electronic  resource]
■260    ▼a[S.l.]:▼bCornell  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(205  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Kan,  Edwin  C.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aMy  research  has  focused  on  continuous  and  non-invasive  sensing  of  physiological  signals  including  respiration,  muscle  activities,  heartbeat  dynamics,  and  other  biological  signals.  I  seek  to  establish  a  touchless  RF  sensor  that  can  be  implemented  as  wearables  on  users,  or  integrated  into  the  furniture  to  become  invisible  to  the  user.  Such  sensor  can  greatly  enhance  data  continuity,  comfort  and  convenience  to  enable  many  healthcare  applications,  especially  for  at-home  continuous  diagnosis  and  prognosis,  with  less  reliance  on  subjective  self  report.  My  research  utilized  machine-learning  (ML)  algorithms  that  can  take  the  physiological  data  from  our  sensors  to  provide  holistic  diagnostics  and  prognosis.  This  sensor  has  been  applied  to  pulmonary  diseases  including  COVID-19  and  chronic  obstructive  pulmonary  diseases  (COPD)  to  help  identify  dyspneic  exacerbation,  leading  to  early  intervention  and  possibly  improving  outcome.  The  sensor  has  also  been  applied  to  prevalent  sleep  disorders  such  as  apnea  and  hypopnea.Another  aspect  of  my  research  focuses  on  muscle  monitoring.  Conventional  electromyography  (EMG)  measures  the  neural  activity  during  muscle  contraction,  but  lacks  explicit  quantification  of  the  actual  contraction.  I  proposed  radiomyography  (RMG),  a  novel  muscle  wearable  sensor  that  can  non-invasively  and  continuously  capture  muscle  contraction  in  various  superficial  and  deep  layers.  Continuous  monitoring  of  individual  skeletal  muscle  activities  has  significant  medical  and  consumer  applications,  including  detection  of  muscle  fatigue  and  injury,  diagnosis  of  neuromuscular  disorders  such  as  the  Parkinson's  disease,  assessment  for  physical  training  and  rehabilitation,  and  human-computer  interface  (HCI)  applications.  I  verified  RMG  experimentally  on  a  forearm  wearable  sensor  for  extensive  hand  gesture  recognition,  which  can  be  applied  to  various  applications  including  assistive  robotic  control  and  user  instructions.  I  also  demonstrated  a  new  radiooculogram  (ROG)  for  non-invasive  eye  movement  monitoring  with  eyes  open  or  closed.  ROG  is  promising  for  gaze  tracking  and  study  of  sleep  rapid  eye  movement  (REM). 
■590    ▼aSchool  code:  0058.
■650  4▼aElectrical  engineering.
■650  4▼aBiomedical  engineering.
■650  4▼aComputer  engineering.
■653    ▼aDigital  healthcare
■653    ▼aHuman  computer  interaction
■653    ▼aMachine-learning
■653    ▼aRF  sensor
■653    ▼aVital  signs  monitoring
■690    ▼a0544
■690    ▼a0541
■690    ▼a0464
■690    ▼a0800
■71020▼aCornell  University▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931863▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024