PupilHeart: Heart Rate Variability Monitoring via Pupillary Fluctuations on Mobile Devices
Notice bibliographique
Résumé
Heart disease has now become a very common and impactful disease, which can actually be easily avoided if treatment is intervened at an early stage. Thus, daily monitoring of heart health has become increasingly important. Existing mobile heart monitoring systems are mainly based on seismocardiography (SCG) or photoplethysmography (PPG). However, these methods suffer from inconvenience and additional equipment requirements, preventing people from monitoring their hearts in any place at any time. Inspired by our observation of the correlation between pupil size and heart rate variability (HRV), we consider using the pupillary response when a user unlocks his/her phone using facial recognition to infer the user’s HRV during this time, thus enabling heart monitoring. To this end, we propose a computer vision-based mobile HRV monitoring framework-PupilHeart, designed with a mobile terminal and a server side. On the mobile terminal, PupilHeart collects pupil size change information from users when unlocking their phones through the front-facing camera. Then, the raw pupil size data is preprocessed on the server side. Specifically, PupilHeart uses a 1-D convolutional neural network (1-D CNN) to identify time series features associated with HRV. In addition, PupilHeart trains a recurrent neural network (RNN) with three hidden layers to model pupil and HRV. Employing this model, PupilHeart infers users’ HRV to obtain their heart condition each time they unlock their phones. We prototype PupilHeart and conduct both experiments and field studies to fully evaluate effectiveness of PupilHeart by recruiting 60 volunteers. The overall results show that PupilHeart can accurately predict the user’s HRV.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».