- 基于相机的皮肤色调横跨数百个受试者的远程生理感应
本研究分析了目前为止最大的真实世界远程光电容抗数据集,涵盖了 893 名受试者和 6 种菲茨帕特里克皮肤色调,实验结果表明,包含数百名受试者的数据集足以进行有效的远程光电容抗模型训练,并强调了皮肤色调的多样性和一致性对于不同数据集的精确性能 - 追求相关性
通过使用与临床环境相一致的关键指标,研究成功构建出以临床重要指标为重点的机器学习模型,从而提高了 ICU 患者护理水平。
- ICU 中脓毒症患者的生命体征预测
利用深度学习架构进行多步预测系统,用于在重症监护病房中预测感染性休克发展的生命指标,从而在医疗决策中提供准确的预测信息,以改善病患护理和结果。
- 透过深度学习模型分析手术室中麻醉医生的视觉注意力
通过利用深度学习模型处理与监视器安装的网络摄像头,我们收集到了连续的行为数据,并对麻醉师的视觉注意分布进行了研究,该平台可能作为手术室中上下文感知辅助技术的关键组成部分。
- 通过深度时间插值和聚类网络在生理特征上识别急性疾病表型
通过研究对医院入院的最初几个小时进行聚类分析,提取生命体征数据,确定患者表型与病理生理特征及结果,以支持早期临床决策,对分析重现性和与生物标志物的相关性使用了一个规模较大的数据集。
- 医疗风险预测的诊断不确定性模型
病人的风险模型可以通过建模不确定性来了解患者的风险,该模型利用患者的生命体征、实验室值、之前的病史等特征来进行评估,但没有诊断信息。
- 使用 N-BEATS 解读脓毒症患者预测的生命体征
本研究使用可解释的深度学习预测模型 N-BEATS 来预测 ICU 中脓毒症患者 3 小时的生命体征趋势,并使用公开可用的 eICU 协作研究数据库数据集对其进行评估。
- 面向拥挤环境的基于视觉引导的 MIMO 雷达波束成形增强生命迹象检测
本文介绍一种新型的双传感技术,其中视觉传感器用于引导 MIMO 雷达的数字波束成形,并提出一种校准算法将两种类型的传感器对齐,最后证明该方法能够在复杂环境中同时检测到坐立不同的一组人的生命体征。
- MM基于真实世界生命体征数据的端到端多元时间序列聚类算法识别 ICU 患者亚组
本研究使用 MIMIC-IV 数据库作为数据来源,研究了包括温度、心率、平均血压、呼吸率和 SpO2 等动态的、高频的、多变量的时间序列生命体征数据,并比较了各种聚类算法,选择了一种名为 Time2Feat 的端到端多变量时间序列聚类系统与 - 应急科室结果预测的多模态感知语言模型
本文探讨了多模式语言建模在医疗保健领域的应用,特别是基于急诊科主诉和生命体征文本信息的病人问题和需求预测,通过对 MIMIC-IV ED 数据集的诊断代码预测实验分析,我们发现多模式提高了预测性能,并且对一些疾病类别来说,生命体征具有更强的 - 一种用于实验和验证远程生命体征测量的 Web 应用程序
通过远程 PPG 技术从面部视频中提取心率、呼吸率等生命体征。应用信号处理滤波器提取血容量脉搏信号并根据不同算法估计各项生命体征。使用 Web 应用程序框架进行实现,验证了其准确性和鲁棒性。
- 基于高效深度学习的智能手机生命体征估计
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。
- CVPR探寻生命:从合成数据中学习,检测视频中的生命体征
本文针对医疗领域中自动检测视频中生命体征(如心率和呼吸率)这一挑战性的计算机视觉问题,通过使用一种新颖的深度学习方法,在红外热成像领域从纯合成数据中训练递归深度神经网络来检测生命体征,并且无需手工标注,取得了 LCAS 数据集上最优的结果。
- 从颈部近红外视频估计颈动脉脉搏和呼吸率
本研究提出了利用近红外视频成像技术,通过肉眼无法察觉的颈动脉脉冲和呼吸运动来测量 HR 和 BR 的低成本方法,并使用模板匹配、PCA 和 HMM 等技术实现数据平滑,结果表明该方法在暗光和明光下,能够实现比 FDA 认定设备更高精度的体征