A Wavelet-Based Approach for Motion Artifact Reduction in Ambulatory Seismocardiography
Notice bibliographique
Résumé
Wearable sensing has become a vital approach to cardiac health monitoring, and seismocardiography (SCG) is emerging as a promising technology in this field. However, the applicability of SCG is hindered by motion artifacts, including those encountered in practice of which the strongest source is walking. This holds back the translation of SCG to clinical settings. We therefore investigated techniques to enhance the quality of SCG signals in the presence of motion artifacts. To simulate ambulant recordings, we corrupted a clean SCG dataset with real-walking-vibrational noise. We decomposed the signal using several empirical-mode-decomposition methods and the maximum overlap discrete wavelet transform (MODWT). By combining MODWT, time-frequency masking, and nonnegative matrix factorization, we developed a novel algorithm which leveraged the vertical axis accelerometer to reduce walking vibrations in dorsoventral SCG. The accuracy and applicability of our method was verified using heart rate estimation. We used an interactive selection approach to improve estimation accuracy. The best decomposition method for reduction of motion artifact noise was the MODWT. Our algorithm improved heart rate estimation from 0.1 to 0.8 r-squared at -15 dB signal-to-noise ratio (SNR). Our method reduces motion artifacts in SCG signals up to a SNR of -19 dB without requiring any external assistance from electrocardiography (ECG). Such a standalone solution is directly applicable to the usage of SCG in daily life, as a content-rich replacement for other wearables in clinical settings, and other continuous monitoring scenarios. In applications with higher noise levels, ECG may be incorporated to further enhance SCG and extend its usable range. This work addresses the challenges posed by motion artifacts, enabling SCG to offer reliable cardiovascular insights in more difficult scenarios, and thereby facilitating wearable monitoring in daily life and the clinic.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».