Development of Clinical Detection System for Tonic-Clonic Seizures using New Wearable Sensors
Notice bibliographique
Résumé
This paper presents the development and testing of a new wireless body area network (WBAN) designed specifically for remote patient monitoring for detection of generalized tonic-clonic seizures (GTCS). The WBAN is comprised of four, triaxial accelerometer sensors worn on arms and legs. Commercial medical sensor modules were used as benchmarks to validate and calibrate the wearable sensors data. Each sensor is communicating with Linux based platform via Bluetooth Low Energy (BLE) network. Graphical User Interface (GUI) was developed using Python Software to display the collected real-time sensors data. A new digital signal processing routine for seizure detection was created using Matlab software. This routine is employing multi-feature techniques based on Fast Fourier Transform (FFT) and moving average window to analyze data samples with minimal processing time. The average windowed samples are compared periodically with pre-set empirical threshold values every second on each axis for the four sensor nodes. An alert is generated once seizure is detected at base station where Short Message Service (SMS) and instant email will be sent to the medical health staff. The real-time data is stored in secured medical database for future reference and analysis. The final WBAN prototype was demonstrated using healthy volunteers mimicking tonic-clonic seizure symptoms to test overall system performance. The system is also approved for future clinical trials in Canada, and pilot clinical demonstrations have been achieved.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».