Autonomous Heart Rate Tracking Methodology Using Kalman Filter and the EM Algorithm
Notice bibliographique
Résumé
Accurate heart rate monitoring during intense physical activity is a challenging problem due to high levels of motion artifacts (MA) in sensors that rely on stable physical proximity/contact for accurate measurement extraction. Photo-plethysmography (PPG) sensor is a non-invasive optical sensor that is widely used in wearable devices, such as smartwatches, to measure blood volume changes using the property of light reflection and absorption; these measurements can be used to extract the heart rate (HR) of an individual wearing that device. The PPG sensor is susceptible to the motion artifact which increases with physical activity. Since the frequency of the motion artifact is very close to the range of HR, estimation of HR information becomes very challenging. As a result, MA removal remains an active research topic over the last few years. Several approaches have been developed in the recent past for MA removal and accurate HR estimation. Among these recent works, a Kalman Filter (KF) based approach showed promising results for accurate estimation and tracking of HR based on PPG measurements. However, the previous KF based HR tracker was demonstrated for a particular dataset with manually tuned filter parameters. Such a custom tuned approach might not perform accurately in practical scenarios where the amount of motion artifact and the heart-rate variability depend on numerous, unpredictable factors. In this paper, we develop an approach to automatically tune the KF based HR tracker based on the expectation maximization (EM) algorithm. The applicability of the proposed approach is demonstrated using an open-source PPG database that was recorded during varying pre-determined physical activities.
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 | 0,001 | 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 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 ».