Real-Time Cardiac Beat Detection and Heart Rate Monitoring from Combined Seismocardiography and Gyrocardiography
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
Cardiography is an indispensable element of health care. However, the accessibility of at-home cardiac monitoring is limited by device complexity, accuracy, and cost. We have developed a real-time algorithm for heart rate monitoring and beat detection implemented in a custom-built, affordable system. These measurements were processed from seismocardiography (SCG) and gyrocardiography (GCG) signals recorded at the sternum, with concurrent electrocardiography (ECG) used as a reference. Our system demonstrated the feasibility of non-invasive electro-mechanical cardiac monitoring on supine, stationary subjects at a cost of $100, and with the SCG–GCG and ECG algorithms decoupled as standalone measurements. Testing was performed on 25 subjects in the supine position when relaxed, and when recovering from physical exercise, to record 23,984 cardiac cycles at heart rates in the range of 36–140 bpm. The correlation between the two measurements had r2 coefficients of 0.9783 and 0.9982 for normal (averaged) and instantaneous (beat identification) heart rates, respectively. At a sampling frequency of 250 Hz, the average computational time required was 0.088 s per measurement cycle, indicating the maximum refresh rate. A combined SCG and GCG measurement was found to improve accuracy due to fundamentally different noise rejection criteria in the mutually orthogonal signals. The speed, accuracy, and simplicity of our system validated its potential as a real-time, non-invasive, and affordable solution for outpatient cardiac monitoring in situations with negligible motion artifact.
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