Autocorrelated Differential Algorithm for Real-Time Seismocardiography Analysis
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
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 ( <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$r^{2}$ </tex-math></inline-formula> ) 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 <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$r^{2}$ </tex-math></inline-formula> 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.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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