Smart Mat for Respiratory Activity Detection: Study in a Clinical Setting
Notice bibliographique
Résumé
We discuss in this paper a study of a smart and unobtrusive mattress in a clinical setting on a population with cardiorespiratory problems. Up to recently, the vast majority of studies with unobtrusive sensors are done with healthy populations. The unobtrusive monitoring of the Respiratory Rate (RR) is essential for proposing better diagnoses. Thus, new industrial and research activity on smart mattresses is targeting respiratory rate in an Internet-of-Things (IoT) context. In our work, we are interested in the performances of a microbend fiber optic sensor (FOS) mattress on 81 subjects admitted in the Cardiac Intensive Care Unit (CICU) by estimating the RR from their ballistocardiograms (BCG). Our study proposes a new RR estimator, based on harmonic plus noise models (HNM) and compares it with known estimators such as MODWT and CLIE. The goal is to examine, using a more representative and bigger dataset, the performances of these methods and of the smart mattress in general. Results of applying these three estimators on the BCG show that MODWT is more accurate with an average mean absolute error (MAE) of $$1.97\,\pm \,2.12\;\text {BPM}$$ . However, the HNM estimator has space for improvements with estimation errors of $$2.91 \pm 4.07\;\text {BPM}$$ . The smart mattress works well within a standard RR range of 10–20 breaths-per-minute (BPM) but gets less accurate with a bigger range of estimation. These results highlight the need to test these sensors in much more realistic contexts .
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».