Tag: Biosensoriai

  • Italų „PlantVoice“ idėja: augalų jutikliai ir DI padeda tiksliau spręsti, kada laistyti

    Italų „PlantVoice“ idėja: augalų jutikliai ir DI padeda tiksliau spręsti, kada laistyti

    Ūkininkai kasdienius sprendimus dažniausiai grindžia orų prognozėmis, dirvožemio drėgmės matavimais, augalų apžiūra ir savo patirtimi. Tai vertingi duomenys, tačiau jie ne visada parodo, kaip į sąlygas realiai reaguoja pats augalas. Italijos startuolis „PlantVoice“ siūlo kitą logiką: svarbiausias indikatorius yra augalas, todėl jo fiziologinius signalus reikia paversti praktinėmis rekomendacijomis.

    „PlantVoice“ kuria agronominę platformą maisto gamybai, kuri realiu laiku sujungia augalo fiziologijos duomenis su orų, dirvožemio ir laistymo informacija. Bendrovės tikslas yra paversti augalo „grįžtamąjį ryšį“ įprastu modernios žemdirbystės sluoksniu, kai sprendimai priimami ne tik pagal aplinką, bet ir pagal tai, kas vyksta augalo viduje.

    Startuolis įkurtas 2023 metais. Komandą subūrė biosensorių kryptį studijavęs chemikas Matteo Beccatellia ir gamybos bei 3D objektų patirties turintis Tommaso Beccatellia, o operacijoms vadovauja Giorgia Ferrari. Įmonė pabrėžia, kad jų kuriami sprendimai skirti ne laboratorijai, o ūkiui, todėl daug dėmesio skiriama paprastam diegimui ir kasdieniam naudojimui.

    Kuo išsiskiria jutiklis?

    „PlantVoice“ jutiklio galvutė sukurta iš biologiškai suderinamos medienos pluošto medžiagos, kuri, pasak kūrėjų, labiau atitinka augalo struktūrą. Praktinis tikslas paprastas: įvedus zondą į augalą, medžiaga turi prisitaikyti ir sumažinti išorinių veiksnių poveikį pačiam įdėjimo taškui.

    „Augalas jo neatpažįsta kaip kliūties“, – aiškina G. Ferrari. „Padarome mažą angą, įdedame zondą, o medžiaga prisitaiko ir tarsi užsandarina vietą nuo išorinių sąlygų“, – teigia ji.

    Daugelis tiksliosios žemdirbystės sprendimų pirmiausia matuoja tai, kas yra aplink augalą: orą, dirvožemį, palydovinius vaizdus ar dronų surinktą informaciją. Šie duomenys padeda suprasti rizikas, tačiau ne visada paaiškina, ar augalas jau patiria stresą ir kokio pobūdžio jis yra. „PlantVoice“ siekia šią spragą užpildyti tiesiogiai fiksuodama fiziologinius pokyčius.

    Nuo duomenų iki aiškių rekomendacijų

    Bendrovė akcentuoja, kad ūkininkams dažnai trūksta ne dar vienos skydelio programėlės, o aiškių patarimų. „Ūkininkams reikia suprantamų rekomendacijų, kurios padėtų priimti geresnius sprendimus“, – sako G. Ferrari.

    „Nuolat kalbamės su klientais, ir jie sako, kad turi po atskirą programėlę orams, kitą dirvožemio jutikliams, dar kitą dronams“, – pasakoja ji.

    „PlantVoice“ platforma sujungia augalo duomenis su lauko informacija, įskaitant orų prognozes, dirvožemio būklę, laistymo duomenis ir agronominius modelius. Taip sukuriamas skaitmeninis pasėlio būklės vaizdas, o rekomendacijos formuojamos vertinant ne pavienius parametrus, bet jų tarpusavio ryšius ir pokyčius per laiką.

    Praktinis pavyzdys yra vandens stresas: augalo fiziologinis signalas gali rodyti, kad stresas tik prasideda. Suderinus jį su dirvožemio drėgme ir artėjančių dienų orais, augintojas gali geriau suprasti priežastį, pasirinkti veiksmą ir numatyti, kaip situacija vystysis, o ne reaguoti pavėluotai.

    Tokio tipo informacija kasdienėje praktikoje virsta sprendimais, kada laistyti, kiek vandens skirti, ar pasėlis patiria stresą ir ar pasirinkta agronominė strategija veikia. Įmonė mini, kad tai apima ir sprendimus dėl apsaugos priemonių naudojimo, kai svarbu įvertinti ne tik sąlygas, bet ir augalo reakciją.

    DI modeliai ir plėtra už Italijos

    „PlantVoice“ teigia DI modelius treniruojanti derinant savo biosensorių surinktus duomenis su kitų įrenginių informacija, atviraisiais duomenų rinkiniais ir moksline literatūra. Bendrovė pabrėžia, kad laukuose susidaro dideli duomenų srautai, todėl be automatizuotos analizės iš jų sunku greitai išgauti praktiškai pritaikomas įžvalgas.

    „Turime inžinierių komandą, kuri renka duomenis, o analizei naudojame ir mašininio mokymosi modelius, nes mūsų stebėsenos sistema sukuria didelį duomenų kiekį“, – sako G. Ferrari.

    Modelių tikslumas, pasak įmonės, auga didėjant sukauptam duomenų kiekiui skirtinguose ūkiuose, klimatuose ir augimo sąlygose. Į procesą įtraukiami ir agronomai, kurie padeda sulyginti praktikoje matomus signalus su moksle aprašytais ryšiais, pavyzdžiui, tarp temperatūros, dirvožemio drėgmės, saulės spinduliuotės ir augalo vystymosi tarpsnio.

    Komerciniu požiūriu startuolis orientuojasi į didesnės vertės daugiametes kultūras, ypač vaismedžius, kur kokybė ir derliaus stabilumas tiesiogiai lemia pajamas. Įmonė mini, kad dirba su obuoliais, alyvuogėmis, vyšniomis, kiviais, citrusais ir kitais vaismedžiais, o technologija pritaikoma tiek didesniems ūkiams, tiek maždaug 5 hektarų valdoms.

    „PlantVoice“ jau diegia sprendimus ne tik Italijoje, bet ir Prancūzijoje, Austrijoje, Ispanijoje, Vokietijoje, taip pat Pietų Afrikoje ir Pietų Korėjoje. Įmonė vykdo ir pilotinį projektą su drakono vaisiais Angoloje bei pradeda pokalbius dėl plėtros Naujojoje Zelandijoje, kur reikšminga kivių gamyba.

  • Penn State wearable sticker pairs biosensors and AI to spot genuine emotions, even behind a calm face

    Researchers at Penn State say they have developed a stretchable, rechargeable sticker designed to detect genuine emotions by combining facial movement data with physiological signals such as skin temperature and heart rate.

    The team argues the approach could help clinicians understand what patients feel in real time, especially when facial expressions alone are misleading or emotions are intentionally concealed.

    In a study published in Nano Letters, the researchers describe a BandAid-sized patch that measures several body signals linked to emotional states, including temperature, humidity, heart rate and blood oxygen levels.

    The device is built from thin, flexible layers of metals such as platinum and gold, shaped to remain sensitive even when bent, pulled or twisted during natural facial movement.

    How the emotion-tracking patch works

    To reduce measurement errors, the sensors are arranged so they operate independently, with protective layers intended to prevent stretching or moisture from distorting readings from neighboring components.

    Alongside the biosignals, facial strain sensors capture subtle changes in expression, and the system fuses those inputs to separate acted emotions from those tied to physiological responses.

    AI training and early accuracy results

    The researchers trained an AI model using repeated facial-expression performances across six categories: happiness, surprise, fear, sadness, anger and disgust.

    In the reported tests, the model classified performed facial expressions with 96.28% accuracy, based on data collected while participants repeatedly displayed each expression.

    To probe real emotions, participants watched video clips intended to elicit feelings while the patch tracked physiological changes associated with emotional arousal.

    The system identified emotions with 88.83% accuracy in those tests, with sensor readings aligning with known links between emotions and changes in metrics such as skin temperature and heart rate.

    Potential uses in telemedicine care

    The patch wirelessly transmits measurements to mobile devices and cloud systems, which the researchers say could support remote monitoring in telemedicine settings.

    The team also says the device is designed to avoid collecting personal information beyond sensor signals, aiming to reduce privacy risks while still enabling clinical interpretation.

    While the work remains at a research stage, the authors suggest the platform could eventually support broader health applications, including monitoring non-verbal patients and tracking conditions where behavioral signals are difficult to assess.

    The project was supported by funding from the U.S. National Institutes of Health and the U.S. National Science Foundation, according to the researchers.