Motion Artifact Suppression in Impedance Pneumography Signal for Portable Monitoring of Respiration: An Adaptive Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The focus of this paper is motion artifact (MA) reduction from the impedance pneumography (IP) signal, which is widely used to monitor respiration. The amplitude of the MA that contaminates the IP signal is often much larger than the amplitude of the respiratory component of the signal. Moreover, the morphology and frequency composition of the artifacts may be very similar to that of the respiration, making it difficult to remove these artifacts. The proposed filter uses a regularization term to ensure that the pattern of the filtered signal is similar to that of respiration. It also ensures that the amplitude of the filter output is within the expected range of the IP signal by imposing an ε-tube on the filtered signal. The adaptive ε-tube filter is 100 times faster than the previously proposed nonadaptive version and achieves higher accuracies. Moreover, the experimental results, using several different performance measures, suggest that the proposed method outperforms popular MA reduction methods such as normalized least mean squares (NLMS) and recursive least squares (RLS) as well as independent component analysis (ICA). When used to extract the respiratory rate, the adaptive ε-tube achieves a mean error of 1.27 breaths per minute (BPM) compared to 4.72 and 4.63 BPM for the NLMS and RLS filters, respectively. When compared to the ICA algorithm, the proposed filter has an error of 1.06 BPM compared to 3.47 BPM for ICA. The statistical analyses indicate that all of the reported performance improvements are significant.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle