Beat-by-Beat ECG Monitoring from Photoplythmography Based on Scattering Wavelet Transform
Notice bibliographique
Résumé
The electrocardiogram (ECG) is a popular measurement scheme to assess and diagnose cardiovascular diseases. ECG devices use gel material and electrodes that may cause skin irritation and discomfort during long use, which restricts the long-term use of these devices. On the other hand, Photoplethysmography (PPG) is an optical approach used to estimate the skin blood flow using photons. Recently, the relationship between the PPG and ECG has been recognized and there are early stage attempts to reconstruct the ECG signals from PPG signals that can lead to giving up electrodes and skin irritating and uncomfortable materials. However, these recent researches suffer from the sensitivity to the PPG signal quality, shifting, and scaling. Therefore, it is restricted with constrained PPG signals. In this paper, we propose an ECG reconstruction system that is independent of PPG scaling and shifting. The proposed system is based on scattering wavelet transform (SWT) as a feature domain along with the deep learning network. Using SWT helps deep learning networks to learn the non-linear relationship between ECG and PPG even with small datasets. Also, the proposed system is based on beat-by-beat ECG estimation rather than signal-based which leads to the learning of local features rather than global features. Based on the presented simulation results, the proposed system with beat-by-beat SWT features extraction outperforms the other feature domains; Time, DCT, and DWT domains.
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 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».