A Remote Respiration Rate Measurement Method for Non-Stationary Subjects Using CEEMDAN and Machine Learning
Notice bibliographique
Résumé
Respiratory Rate (RR) monitoring can inform healthcare providers of early indicators of critical illnesses. However, the obtrusive nature of contact-based sensors for RR monitoring makes them uncomfortable for extended use and vulnerable to movement-derived noise. Hence, camera-based approaches have attracted considerable attention as they enable contact-free RR monitoring. This paper presents an improved non-contact method for RR monitoring that leverages camera derived remote photoplethysmography (rPPG) to measure RR. Unlike previous work, the proposed method supports subject movement during monitoring. We apply Independent Component Analysis (ICA) on the RGB channels of facial videos to distinguish the source (i.e. PPG signal) from noise. We use the Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) scheme to decompose the selected ICA output into its Intrinsic Mode Functions (IMFs). We propose a Machine Learning (ML) algorithm to select the IMF that best reflects the RR. We evaluated the proposed method on 200 facial videos collected from 10 subjects. Our approach decreased the RMSE by at least 39.6% compared to state-of-the-art techniques when subjects were stationary. For subjects in movement, we achieved an RMSE of 2.30 BPM (breaths/min). The proposed method can facilitate non-contact continuous measurement of RR for various clinical and home-based healthcare solutions including the monitoring of infants in neonatal intensive care, elderly individuals in senior care centers, patients in hospital emergency waiting rooms, and prisoners on suicide watch.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».