可穿戴生物信号基础模型的大规模训练
本研究介绍了一种利用表示学习和个性化以提高 PPG 数据异常检测性能的两阶段框架,并使用两个不同数据集进行验证。研究结果表明,表示学习显著提高了异常检测性能,同时减少了高内个体变异性。个性化模型进一步增强了异常检测性能,强调了个性化在基于 PPG 的健康监测系统中的作用。生物识别的结果表明,更容易将新用户与一个受授权的用户区分开来而不是从一组用户中区分出来。
Jul, 2023
提出了一种新的非对抗无监督学习框架,用于从未标记的视频数据中直接提取血容量脉搏,以实现低成本的非接触健康监测,并展示了该框架在调整模型和个性化适应信号回归方面的效果。
Apr, 2024
利用佩戴设备进行普遍感知在提升人类福祉方面具有潜力,从诊断临床状况和测量压力到构建适应性的促进健康的框架。然而,异质背景下的海量数据对传统的监督学习方法提出了挑战。生物信号的表示学习是一个新兴的领域,受到计算建模的最新进展和公开共享数据库的丰富影响。心电图(ECG)是这一领域的主要研究模态,具有健康监测、压力和情感估计等应用。我们引入了一种名为 WildECG 的预训练状态空间模型,用于从 ECG 信号进行表示学习。我们以自我监督的方式训练了这个模型,使用了从野外收集的 275,000 个 10 秒的 ECG 记录,并对各种下游任务进行评估。该模型对于 ECG 分析是一个稳健的基础架构,在大多数考虑到的任务中表现出竞争力,并且在资源有限的情况下显示出有效性。代码和预训练权重已公开共享在指定的 URL 网址。
Sep, 2023
我们提出了一种基于注意力机制的深度状态空间模型,将光电脉搏图信号转化为相应的心电图波形,从而通过连续的光电脉搏图监测来补充心电图的准确性以检测成人中最常见的心律失常,房颤。在 MIMIC III 数据库的 55 个受试者上对该模型进行了评估,定量和定性的实验结果证明了我们方法的有效性和效率。
Sep, 2023
本研究提取了 27 个统计特征,利用梯度提升(XGBoost 和 CatBoost)以及随机森林(RF)算法训练机器学习模型来评估血容量变化的 PPG 信号质量,在使用可穿戴设备进行连续监测时,考虑了运动伪影、皮肤色素沉着和血管运动等影响 PPG 准确性和可靠性的因素。研究发现,我们的模型在 XGBoost、CatBoost 和 RF 上分别达到了 Sensitivity(Se)、Positive Predicted Value(PPV)和 F1-score(F1)的 94.4、95.6、95.0,94.7、95.9、95.3 和 93.7、91.3、92.5,结果与文献中的最新成果相当,但使用了更简单的模型,证明机器学习模型在开发远程、非侵入性和连续测量设备方面具有很大的潜力。
Jul, 2023
本研究介绍了一种基于图论和计算机视觉算法的 PPG 信号处理框架,它对仿射变换具有不变性,计算速度快,并在任务和数据集之间表现出强大的泛化能力,能够提取人体循环系统的各种生物特征。
May, 2023
使用穿戴设备收集的生物信号数据进行压力预测,通过个性化的自监督学习方法,基于神经网络模型实现了较少标注数据即可达到等效结果,从而辅助移动感知技术在诸如压力等复杂、异质和主观主题上精准度健康评估系统。
Aug, 2023
该论文探讨了使用大型语言模型分析可穿戴生物信号实现无袖血压测量的潜力,提出了从心电图和光电波传感图中提取生理特征,并结合血压领域知识和用户信息设计增强上下文的提示信息,通过优化调整大型语言模型,在全面的可穿戴生物信号数据集上取得了令人瞩目的结果。
Jun, 2024
本文提出了一种自监督学习方法用于学习一个通用的、具有信息的 PPG 表示,并将其用于活动和睡眠阶段的识别以及更普遍的健康状态预测,结果表明在标记数据稀缺时,使用 SSL 对于简单分类器的训练表现更好,同时也发现 SSL 的结果集中于编码受试者,因此对于标记数据不足的情况有一定局限性。
Dec, 2022