Airline Point-of-Care System on Seat Belt for Hybrid Physiological Signal Monitoring
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
With a focus on disease prevention and health promotion, a reactive and disease-centric healthcare system is revolutionized to a point-of-care model by the application of wearable devices. The convenience and low cost made it possible for long-term monitoring of health problems in long-distance traveling such as flights. While most of the existing health monitoring systems on aircrafts are limited for pilots, point-of-care systems provide choices for passengers to enjoy healthcare at the same level. Here in this paper, an airline point-of-care system containing hybrid electrocardiogram (ECG), breathing, and motion signals detection is proposed. At the same time, we propose the diagnosis of sleep apnea-hypopnea syndrome (SAHS) on flights as an application of this system to satisfy the inevitable demands for sleeping on long-haul flights. The hardware design includes ECG electrodes, flexible piezoelectric belts, and a control box, which enables the system to detect the original data of ECG, breathing, and motion signals. By processing these data with interval extraction-based feature selection method, the signals would be characterized and then provided for the long short-term memory recurrent neural network (LSTM-RNN) to classify the SAHS. Compared with other machine learning methods, our model shows high accuracy up to 84-85% with the lowest overfit problem, which proves its potential application in other related fields.
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 | 0,000 | 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 découle