Synthetic photoplethysmogram generation using two Gaussian functions
Notice bibliographique
Résumé
Evaluating the performance of photoplethysmogram (PPG) event detection algorithms requires a large number of PPG signals with different noise levels and sampling frequencies. As publicly available PPG databases provide few options, artificially constructed PPG signals can also be used to facilitate this evaluation. Here, we propose a dynamic model to synthesize PPG over specified time durations and sampling frequencies. In this model, a single pulse was simulated by two Gaussian functions. Additionally, the beat-to-beat intervals were simulated using a normal distribution with a specific mean value and a specific standard deviation value. To add periodicity and to generate a complete signal, the circular motion principle was used. We synthesized three classes of pulses by emulating three different templates: excellent (systolic and diastolic waves are salient), acceptable (systolic and diastolic waves are not salient), and unfit (systolic and diastolic waves are noisy). The optimized model fitting of the Gaussian functions to the templates yielded 0.99, 0.98, and 0.85 correlations between the template and synthetic pulses for the excellent, acceptable, and unfit classes, respectively, with mean square errors of 0.001, 0.003, and 0.017, respectively. By comparing the heart rate variability of real PPG and randomly synthesized PPG for 5 min in 116 records from the MIMIC III database, strong correlations were found in SDNN, RMSSD, LF, HF, SD1, and SD2 (0.99, 0.89, 0.84, 0.89, 0.90 and 0.95, respectively).
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».