Modeling and Reproducing Textile Sensor Noise: Implications for Textile-Compatible Signal Processing Algorithms
Notice bibliographique
Résumé
Smart textiles provide an opportunity to simultaneously record various electrophysiological signals, e.g., ECG, from the human body in a non-invasive and continuous manner. Accurate processing of ECG signals recorded using textile sensors is challenging due to the very low signal-to-noise ratio (SNR). Signal processing algorithms that can extract ECG signals out of textile-based electrode recordings, despite low SNR are needed. Presently, there are no textile ECG datasets available to develop, test and validate these algorithms. In this paper we attempted to model textile ECG signals by adding the textile sensor noise to open access ECG signals. We employed the linear predictive coding method to model different features of this noise. By approximating the linear predictive coding residual signals using Kernel Density Estimation, an artificial textile ECG noise signal was generated by filtering the residual signal with the linear predictive coding coefficients. The synthetic textile sensor noise was added to the MIT-BIH Arrhythmia Database (MITDB), thus creating Textile-like ECG dataset consisting of 108 trials (30 min each). Furthermore, a Python code for generating textile-like ECG signals with variable SNR was also made available online. Finally, to provide a benchmark for the performance of R-peak detection algorithms on textile ECG, the five common R-peak detection algorithms: Pan & Tompkins, improved Pan & Tompkins (in Biosppy), Hamilton, Engelse, and Khamis, were tested on textile-like MITDB. This work provides an approach to generating noisy textile ECG signals, and facilitating the development, testing, and evaluation of signal processing algorithms for textile ECGs.
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 ».