Robust Ambient Multisensor Signal Fusion Towards Clinical Data Analytics
Notice bibliographique
Résumé
As ambient systems proliferate, there is an increased need for data-level fusion methods that reflect the challenges of unknown environments, non-deterministic signal behaviours, and movement artifact.Cushioning between the sensor and bed occupant decreases signal to noise power and signal availability, while non-linear signals can masquerade as delayed and reversed signals.The main contributions of this thesis are to study how these challenges affect extraction of a breathing signal from bed-based sensors and to propose more robust fusion techniques.New trend analysis methods effectively corrected polarity reversals, increasing the number of good quality signals by 9% and reducing mean respiratory rate error by 24%.To fuse these signals, selection combining, weighted summation, and blind source separation methods were innovated and compared.None performed best all of the time; some were generally good with some weaknesses, while others had specialized strengths.Contextual ensemble fusion selected the best fusion method in degraded conditions in 55% of records, compared to 36% for the top individual fusion method, providing clinical applications with more reliable data.While sleep medicine is an important application, ambient monitoring is also suited to cognitive medicine and palliative care.Developed methods were applied to monitor patients in palliative care, marking the first long-term, continuous monitoring of this population.Breathing patterns observed in the last weeks of life included Cheyne-Stokes respiration and tachypnea, while breathing variability was associated with survival time.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».