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 newIntelligent Domain Fusionalgorithm, 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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».