Science Center
Die Forschung hinter
GreenMind.
Unsere Technologie basiert auf peer-reviewed Forschung in der Pflanzenelektrophysiologie. Hier finden Sie die wissenschaftlichen Grundlagen — von bioelektrischen Signalen bis zu datengestützter Stressklassifizierung.
8 Paper gefunden
Plant Electrophysiology with Conformable Organic Electronics: Deciphering the Propagation of Venus Flytrap Action Potentials
Ohayon D, Druet V, Vetter M, et al.
Science Advances
🌱 GreenMind Relevanz
Flexible organische Multielectrode-Arrays kartieren Aktionspotenziale der Venusfliegenfalle mit hoher Auflösung. Die Studie beweist, dass sich bioelektrische Pflanzensignale präzise und nicht-invasiv messen lassen — die technische Grundlage für GreenMinds Sensorik.
DOI: 10.1126/sciadv.adh4443
Plant Bioelectrical Signals for Environmental and Emotional State Classification
Gloor PA, Kruse L, Oezkaya B
Biosensors (MDPI)
🌱 GreenMind Relevanz
Peter Gloor zeigt, dass eine Purple-Heart-Pflanze via bioelektrischer Signale Umgebungszustände (85,4 % Genauigkeit) und menschliche Emotionen (73 %) klassifizieren kann. Dies belegt, dass Pflanzensignale — wie GreenMind sie erfasst — mit ML hochpräzis auswertbar sind.
DOI: 10.3390/bios15110744
Machine Learning Distinguishes Plant Bioelectric Recordings with and Without Nearby Human Movement
Gloor PA, Weinbeer M
Biosensors (MDPI)
🌱 GreenMind Relevanz
Peter Gloor weist nach, dass Pflanzen messbare bioelektrische Unterschiede zeigen, wenn sich ein Mensch in der Nähe bewegt. Random-Forest-Klassifikatoren erreichen 62,7 % Genauigkeit bei 2978 Proben über drei Pflanzenarten — ein weiterer Beleg, dass bioelektrische Pflanzensignale auf Umgebungsveränderungen reagieren.
DOI: 10.3390/bios15120744
Ask the Plants Directly: Understanding Plant Needs Using Electrical Impedance Measurements
Garlando U, Calvo S, Barezzi M, Sanginario A, Motto Ros P, Demarchi D
Computers and Electronics in Agriculture
🌱 GreenMind Relevanz
Elektrische Impedanzmessungen am Pflanzenstamm erkennen Wasserstress mit bis zu 95 % Korrelation zur Bodenfeuchtigkeit — eine kostengünstige Methode, die Pflanzenbedürfnisse direkt zu erfassen, genau wie GreenMinds Sensor-Ansatz es vorsieht.
DOI: 10.1016/j.compag.2022.106707
Advanced Assessment of Nutrient Deficiencies in Greenhouse with Electrophysiological Signals
Tran D, Najdenovska E, Dutoit F, Plummer C, Wallbridge N, Mazza M, Camps C, Raileanu LE
Horticulture, Environment, and Biotechnology
🌱 GreenMind Relevanz
Elektrophysiologische Signale werden eingesetzt, um Nährstoffmängel in Gewächshauspflanzen zu erkennen. Dies zeigt, dass GreenMinds Sensortechnologie nicht nur Wasserstress, sondern auch Nährstoffdefizite direkt an der Pflanze messen kann.
DOI: 10.1007/s13580-023-00589-w
Plants as Environmental Biosensors
Volkov AG, Ranatunga DRA
Analytical Chemistry
🌱 GreenMind Relevanz
Diese grundlegende Arbeit zeigt, dass Pflanzen über Aktions- und Variationspotenziale auf Umweltstress reagieren — von Schädlingsbefall über Pestizide bis zu Schwermetallen. Sie bildet die wissenschaftliche Basis für die Nutzung von Pflanzen als lebende Biosensoren, wie GreenMind es umsetzt.
DOI: 10.1016/j.aca.2006.04.001
Research Progress of the Detection and Analysis Methods of Heavy Metals in Plants
He S, Niu Y, Xing L, Liang Z, Song X, Ding M, Huang W
Frontiers in Plant Science
🌱 GreenMind Relevanz
Umfassende Übersicht über Methoden zur Schwermetalldetektion in Pflanzen, einschliesslich nicht-invasiver Messtechniken. Für GreenMind relevant, da Schwermetallbelastung pflanzliche Biomarker und elektrische Signale beeinflusst.
DOI: 10.3389/fpls.2024.1310328
When Plants Respond: Electrophysiology and Machine Learning for Green Monitoring Systems
Meder F, et al.
arXiv Preprint
🌱 GreenMind Relevanz
Hedera helix wird mit einem PhytoNode-Wearable ausgestattet, das über 5 Monate elektrophysiologische Signale im Freien erfasst. AutoML-Klassifikatoren erreichen bis zu 95 % F1-Score — ein Beweis, dass pflanzliche Elektrosignale auch unter realen Bedingungen für präzises Umweltmonitoring nutzbar sind.
DOI: arXiv:2506.23872
Alle aufgeführten Paper sind peer-reviewed und bevorzugt Open Access.
Letzte Aktualisierung: März 2026