In-Ear Audio Wearable: Measurement of Heart and Breathing Rates for Health and Safety Monitoring
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
OBJECTIVE: This paper examines the integration of a noninvasive vital sign monitoring feature into the workers' hearing protection devices (HPDs) by using a microphone positioned within the earcanal under the HPD. METHODS: 25 test-subjects were asked to breathe at various rhythms and intensities and these realistic sound events were recorded in the earcanal. Digital signal processing algorithms were then developed to assess heart and breathing rates. Finally, to test the robustness of theses algorithms in noisy work environments, industrial noise was added to the in-ear recorded signals and an adaptive denoising filter was used. RESULTS: The developed algorithms show an absolute mean error of 4.3 beats per minute (BPM) and 2.7 cycles per minute (CPM). The mean difference estimate is -0.44 BPM with a limit of agreement (LoA) interval of -14.3 to 13.4 BPM and 2.40 CPM with a LoA interval of -2.62 to 7.48 CPM. Excellent denoising is achieved with the adaptive filter, able to cope with ambient sound pressure levels of up to 110 dB SPL, resulting in a small error for heart rate detection, but a much larger error for breathing rate detection. CONCLUSION: Extraction of the heart and breathing rates from an acoustical measurement in the occluded earcanal under an HPD is possible and can even be conducted in the presence of a high level of ambient noise. SIGNIFICANCE: This proof of concept enables the development of a wide range of noninvasive health and safety monitoring audio wearables for industrial workplaces and life-critical applications where HPDs are used.
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 | 0,000 | 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 | 0,000 |
| 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