Autocorrelated Differential Algorithm for Real-Time Seismocardiography Analysis
Notice bibliographique
Résumé
We present a novel seismocardiography (SCG)-based approach for real-time cardio-respiratory activity measurement called the Autocorrelated Differential Algorithm (ADA). Measurements were performed on ten male subjects in the supine position for three 7-minute-long sets each, corresponding to 14,619 heartbeats. The ADA utilized temporal variations, windowing, and autocorrelation to produce physiological measurements corresponding to heart rate (HR), and left ventricular ejection time, and estimations of respiration rate, volume, and phase. The versatility of the ADA was investigated in two contexts: physical exertion and heart rate variability. The accuracy of HR measurements at a sampling frequency of 200 Hz resulted in a correlation coefficient ($r^{2}$) of 0.9808 when compared with a manual annotation of all datasets. Its reproducibility was tested on externally obtained SCG and electrocardiography datasets, which produced an$r^{2}$of 0.8224. The accuracy and computational time were also characterized by different sampling frequencies to quantify performance. The recommended sampling frequency is 200 Hz corresponding to a computation time of 0.05 s per instantaneous measurement using a standard desktop computer. The ADA delivered real-time SCG measurements with a refresh rate that was dependent on the computational time per measurement, which could be decreased by lowering the sampling frequency. The presented algorithm offers a novel tool toward real-time physiological monitoring in clinical and everyday scenarios.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».