A Vital-Signs Monitoring Wristband With Real-Time In-Sensor Data Analysis Using Very Low-Hardware Resources
Notice bibliographique
Résumé
We present a cost-effective multi-sensor wristband that monitors vital signs, including heart rate, respiratory rate, and oxygen saturation, with very low-hardware resources, while effectively mitigating motion artifacts. Our system, which operates in real-time, optimizes resource utilization and minimizes memory footprint by intelligently managing motion artifacts during vital signs extraction. For this purpose, we introduce a new <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Intelligent Domain Fusion</i> algorithm, which allows to reduce resource allocation during moderate motion artifacts by up to a 30% in memory usage, while achieving an average latency of as short as 18 ms in worst case. To further enhance efficiency, our frequency domain analysis is optimized through the utilization of a Z-chirp transform, minimizing memory utilization during Fourier transforms. Our prototype is built around a real-time operating system (freeRTOS) running on an ARM-M4 architecture, enabling Bluetooth Low Energy (BLE) 5.0 control, data processing, and communication. It incorporates an onboard 1-Gbit NAND flash memory for continuous data storage, when no wireless connection is available, offering up to 7 hours of uninterrupted sensor data recording. The sensor data collected by our prototype encompasses a comprehensive range of raw and processed information critical for monitoring various physiological and environmental parameters in a concise message format comprising a data ID, a data payload, and a timestamp. With a small 250 mAh battery, our prototype provides an autonomy of 18 hours of continuous data collection, averaging a mere 10.41 mAh of power consumption.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».