Sensitive sensing Neonatal care, particularly for premature babies, is complicated by the infants' fragility and by the need for a large number of tethered sensors to be attached to their tiny bodies. Chung et al. developed a pair of sensors that only require water to adhere to the skin and allow for untethered monitoring of key vital signs (see the Perspective by Guinsburg). On-board data processing allowed for efficient wireless near-field communication using standard protocols. The absence of cables makes it easier to handle the infants and allows for skin-to-skin contact between the babies and their parents or caregivers. Science , this issue p. eaau0780 ; see also p. 924

Standard clinical care in neonatal and pediatric intensive-care units (NICUs and PICUs, respectively) involves continuous monitoring of vital signs with hard-wired devices that adhere to the skin and, in certain instances, can involve catheter-based pressure sensors inserted into the arteries. These systems entail risks of causing iatrogenic skin injuries, complicating clinical care and impeding skin-to-skin contact between parent and child. Here we present a wireless, non-invasive technology that not only offers measurement equivalency to existing clinical standards for heart rate, respiration rate, temperature and blood oxygenation, but also provides a range of important additional features, as supported by data from pilot clinical studies in both the NICU and PICU. These new modalities include tracking movements and body orientation, quantifying the physiological benefits of skin-to-skin care, capturing acoustic signatures of cardiac activity, recording vocal biomarkers associated with tonality and temporal characteristics of crying and monitoring a reliable surrogate for systolic blood pressure. These platforms have the potential to substantially enhance the quality of neonatal and pediatric critical care. Soft electronic patches worn on the skin of infants or children in intensive-care units have a wide range of capabilities in aiding critical care, including monitoring of hemodynamic parameters, cardiac activity, movement and crying.

Traditional radar target detectors, which are model-driven, often suffer remarkable performance degradation in complex clutter environments due to the weakness in modeling the unpredictable clutter. Deep learning (DL) methods, which are data-driven, have been introduced into the field of radar target detection (RTD) since their intrinsic non-linear feature extraction ability can enhance the separability between targets and the clutter. However, existing DL-based detectors are unattractive since they require a large amount of independent and identically distributed (i.i.d.) training samples of target tasks and fail to be generalized to the other new tasks. Given this issue, incorporating the strategy of meta-learning, we reformulate the RTD task as a few-shot classification problem and develop the Inter-frame Contrastive Learning-Based Meta Detector (IfCMD) to generalize to the new task efficiently with only a few samples. Moreover, to further separate targets from the clutter, we equip our model with Siamese architecture and introduce the supervised contrastive loss into the proposed model to explore hard negative samples, which have the targets overwhelmed by the clutter in the Doppler domain. Experimental results on simulated data demonstrate competitive detection performance for moving targets and superior generalization ability for new tasks of the proposed method.