基于 PPG 的心率估计的可穿戴到移动设备的节能机器学习推断卸载
通过 deep Temporal Convolutional Networks 工具和硬件友好型量化器,我们提出了一种设计空间探索方法,用于自动生成一组适用于可穿戴设备的高精度、极轻量级的计算模型,以便实现心率监测。
Mar, 2022
本文探讨了低功耗和资源受限的嵌入式设备中更适用于心率估计技术。作者们将信号处理和机器学习相结合,将 PPG 采样频率从 125Hz 降低到 25Hz 以提高准确性,缩小模型大小并加快推理时间。实验结果表明,DT 模型使用 10 至 20 个输入特征通常具有良好的准确性,并几个数量级地降低了模型大小和推理时间。
Mar, 2023
本研究探讨使用手腕佩戴式可穿戴设备从加速度中预测心率,通过能量高效的加速度计实现较大的节能,同时使用在线方法了解心率变化以及患者康复,结果显示我们的方法可以在较少使用心率传感器(例如样本的 20.25%)的情况下实现良好的预测性能(如 2.89 的平均绝对误差)以及很好的患者康复情况.
Jun, 2018
本文使用卷积神经网络的方法从智能手表上获取的心率数据中提取呼吸率,通过与现有方法的比较,结果显示我们的方法优于其他方法,并且估计与参考的呼吸率值之间具有更高的一致性。
Jan, 2024
我们提出了 KID-PPG,这是一个知识引导的深度学习模型,通过自适应线性滤波、深度概率推断和数据增强,整合了专家知识,解决了深度学习模型中的三个问题:去除运动伪迹、降低信号降解,以及对光电脉动信号进行生理上合理的分析。在 PPGDalia 数据集上评估 KID-PPG,得到平均绝对误差为 2.85 次 / 分钟,超过现有可复现方法。我们的结果表明,通过将先前的专家知识整合到深度学习模型中,可以显著提高心率跟踪性能。该方法展示了在深度学习模型中整合现有专家知识,提升各种生物医学应用的潜力。
May, 2024
该研究提出了一种使用深度学习的移动端终端对生理征候进行端到端的估计的新方法,其对信号进行卷积计算,无需使用传统预处理方法,且具有更低的计算复杂度和过拟合的机会,提供了一个公共数据集,实验证明其具有最先进的估计精度。
Apr, 2022
探讨使用 PPG 脉搏波分析技术预测血压的可行性,提出了新的评估工具,发现血压预测使用 PPG 多值映射因子为 33.2%,低互信息为 9.8%,这些结果提供了达成通过 PPG 脉搏波分析实现可穿戴式血压测量目标的更为现实的进展情况。
Apr, 2023
本文提出了一个名为 TROIKA 的通用框架,用于清除并估计含有极强动态干扰的 PPT 信号中的心率,并验证了该框架的高度精确性和鲁棒性。实验结果表明,心率估算的平均绝对误差为 2.34 次 / 分钟 (BPM),估计值与实际心率的皮尔逊相关系数为 0.992。该框架对于像智能手表这样将 PPT 信号用于健身的可穿戴设备具有重大价值。
Sep, 2014
提出一种采用学习方法的新型心率估计方法,利用隐马尔可夫模型及神经网络对光电脉搏信号分析后得出概率分布,结合信念传播算法对估计结果进行时间上的统计分析。实验证明该方法具有较高的鲁棒性。
Jun, 2023
本文使用神经架构搜索技术,提出一种基于 AutoHR 的强有力的远程心率测量终端到终端方法,通过实验在三个基准数据集上表明了在信息丰富的 rPPG-scenarios 中的效果。
Apr, 2020