MétaCan
Menu
Retour à la cohorte
Enregistrement W2552408385 · doi:10.1109/tbme.2016.2613124

Toward a Robust Estimation of Respiratory Rate From Pulse Oximeters

2016· article· en· W2552408385 sur OpenAlexafffund
Marco A. F. Pimentel, Alistair E. W. Johnson, Peter Charlton, Drew A. Birrenkott, Peter Watkinson, Lionel Tarassenko, David A. Clifton

Notice bibliographique

RevueIEEE Transactions on Biomedical Engineering · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Invasive Vital Sign Monitoring
Établissements canadiensSt. Thomas Hospital
Organismes subventionnairesBalliol College, University of OxfordNational Institute for Health and Care ResearchEngineering and Physical Sciences Research CouncilWellcome TrustRoyal Academy of EngineeringMenzies Centre for Australian Studies, King's College London, University of LondonMinistère de l'Enseignement Supérieur, de la Recherche, de la Science et de la Technologie
Mots-clésRespiratory ratePulse rateComputer scienceBiomedical engineeringMedicineHeart rateInternal medicine

Résumé

récupéré en direct d'OpenAlex

GOAL: Current methods for estimating respiratory rate (RR) from the photoplethysmogram (PPG) typically fail to distinguish between periods of high- and low-quality input data, and fail to perform well on independent "validation" datasets. The lack of robustness of existing methods directly results in a lack of penetration of such systems into clinical practice. The present work proposes an alternative method to improve the robustness of the estimation of RR from the PPG. METHODS: The proposed algorithm is based on the use of multiple autoregressive models of different orders for determining the dominant respiratory frequency in the three respiratory-induced variations (frequency, amplitude, and intensity) derived from the PPG. The algorithm was tested on two different datasets comprising 95 eight-minute PPG recordings (in total) acquired from both children and adults in different clinical settings, and its performance using two window sizes (32 and 64 seconds) was compared with that of existing methods in the literature. RESULTS: The proposed method achieved comparable accuracy to existing methods in the literature, with mean absolute errors (median, 25[Formula: see text]-75[Formula: see text] percentiles for a window size of 32 seconds) of 1.5 (0.3-3.3) and 4.0 (1.8-5.5) breaths per minute (for each dataset respectively), whilst providing RR estimates for a greater proportion of windows (over 90% of the input data are kept). CONCLUSION: Increased robustness of RR estimation by the proposed method was demonstrated. SIGNIFICANCE: This work demonstrates that the use of large publicly available datasets is essential for improving the robustness of wearable-monitoring algorithms for use in clinical practice.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,010
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,002

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,215
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations358
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Biomedical EngineeringMême sujetNon-Invasive Vital Sign MonitoringTravaux en français237 207