Quantification of Resting-State Ballistocardiogram Difference Between Clinical and Non-Clinical Populations for Ambient Monitoring of Heart Failure
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A ballistocardiogram (BCG) is a versatile bio-signal that enables ambient remote monitoring of heart failure (HF) patients in a home setting, achieved through embedded sensors in the surrounding environment. Numerous methods of analysis are available for extracting physiological information using the BCG; however, most have been developed based on non-clinical subjects. While the difference between clinical and non-clinical populations are expected, quantification of the difference may serve as a useful tool. In this work, the differences in resting-state BCGs of the two cohorts in a sitting posture were quantified. An instrumented chair was used to collect the BCG from 29 healthy adults and 26 NYHA HF class I and II patients while seated without any stress test for five minutes. Five 20-second epochs per subject were used to calculate the waveform fluctuation metric at rest (WFMR). The WFMR was obtained in two steps. The ensemble average of the segmented BCG heartbeats within an epoch were calculated first. Mean square errors (MSE) between different ensemble average pairs were then retrieved. The MSEs were averaged to produce the WFMR. The comparison showed that the clinical cohort had higher fluctuation than the non-clinical population and had at least 82.2% separation, suggesting that greater errors may result when existing algorithms were used. The WFMR acts as a bridge that may enable important features, including the addition of error margins in parameter estimation and ways to devise a calibration strategy when resting-state BCG is unstable.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle