Modeling and Reconstructing Textile Sensor Noise: Implications for Wearable Technology
Notice bibliographique
Résumé
Wearable sensors enable the simultaneous recording of several electrophysiological signals from the human body in a non-invasive and continuous manner. Textile sensors are garnering substantial interest in the wearable technology because they can be knitted directly into the daily-used objects like underwear, bra, dress, etc. However, accurate processing of signals recorded by textile sensors is extremely challenging due to the very low signal-to-noise ratio (SNR). Systematic classification of textile sensor noise (TSN) is necessary to: (i) identify different types of noise and their statistical characteristics, (ii) explore how each type of noise influences the electrophysiological signal, (iii) develop optimal textile-specific electronics that suppress TSN, and (iv) reproduce TSN and create large dataset of textile sensors to validate various machine learning and signal processing algorithms. In this paper, we develop a novel technique to classify textile sensor artifacts in ECG signals. By simultaneously recording signals from the waist (textile sensors) and chest (gel electrode), we extract TSN by removing the chest ECG signal from the recorded textile data. We classify TSN based on its morphological and statistical features in two main categories, namely, slow and fast. Linear prediction coding (LPC) is utilized to model each class of TSN by auto-regression coefficients and residues. The residual signal can be approximated by Gaussian distribution which enables reproducing slow and fast artifacts that not only preserve the similar morphological features but also fulfill the statistical properties of TSN. By reproducing TSN and adding them to clean ECG signals, we create a textile-like ECG signal which can be used to develop and validate different signal processing algorithms.
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 | 0,000 | 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 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 ».