SlpRoF: Improving the Temporal Coverage and Robustness of RF-Based Vital Sign Monitoring During Sleep
Notice bibliographique
Résumé
Most existing RF-based vital sign monitoring systems either assume that a human subject is stationary or discard measurements when motion is detected in order to output reliable respiration rates and heart rates. Such an assumption greatly limits the usability of these systems in practice. Even during sleep, one can undergo various body states including turns and involuntary twitches in light sleep, motionlessness during deep sleep, or abnormal limb movements due to sleep disorders such as restless legs syndrome. In this work, we develop SlpRoF, a low-cost contact-free system using a commercial-off-the-shelf UWB radar that achieves high temporal coverage and high accuracy in vital sign monitoring during sleep. By classifying body states into the motionless state, limb movement state, and torso movement state, and extracting vital signs during the first two states, it directly increases effective reporting periods over nights. By analyzing high-order harmonics and leveraging spatial diversity in captured signals from multiple on-body areas, it improves the accuracy of heart rate estimations and thus indirectly increases temporal coverage through reliable assessments. Experiment results show that SlpRoF is able to achieve an average median absolute error (MAE) of 0.44 beats per minute (bpm) in respiration rates, 1.55s in respiration intervals, and 0.9 bpm for heart rates, respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».