Design of Smart Wearable System for Sleep Tracking Using SVM and Multi-Sensor Approach
Notice bibliographique
Résumé
Healthcare has been considered one of the main issues to be spotted and improved in a high manner.Thus, many technology trends are customized to be used in the development of the field of healthcare.One of the fields that highly affects health is sleeping, therefore, the importance of developing a portable and cost-affordable sleep-tracking system has arisen.Getting enough good-quality sleep is essential for living a healthy life.This could be done by monitoring vital signals that affect the quality of sleep such as heart rate, blood oxygen saturation, and positioning.Furthermore, these parameters could be used to detect sleep stages.Detecting sleep stages provides the ability to specify sleep quality and how to get better sleep hygiene.In this paper, a sleep quality monitoring system using commercial off-the-shelf sensors has been developed.The main aims are to make the system cheap, besides being portable, lightweight, and easy to use with better sleep quality and sleep stages accuracies compared to recently published systems.Based on the personalized data collected, the system could identify the sleep onset latency, the wake after sleep onset, the total sleep time, and the pattern based on the step before.Then, users would know about their quality of sleep and sleeping habits, which will be directly reflected in their health and well-being.The obtained results indicate that sleep quality accuracy is 97.5% and sleep stages accuracy is 67.5% which are better than similar systems used with Commercial off the Shelf sensors.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».