Reconfigurable Point-of-Care System for Hemoglobin Estimation From Photoplethysmogram
Notice bibliographique
Résumé
Hemoglobin is an integral part of blood, and its abnormality indicates various diseases. Different noninvasive methods are developed to predict the concentration of hemoglobin. Previous studies verified the potential of photoplethysmogram (PPG) signals in estimating the health parameter. Although different hardware tools have been used to develop digital systems over the years, they lack the reconfigurability feature needed to develop a point-of-care (POC) system. In this study, a field programmable gate array (FPGA)-based reconfigurable hardware system, including preprocessor, memory and control, feature extractor and classifier subsystems, is designed targeting Zynq 7000 Zedboard. The system utilizes six features extracted from the PPG signals collected using DCM08 PPG sensor and linear regression classifier model for prediction. PPG signals based on four different wavelengths of light are tested, and the best result has been achieved with infrared light having a wavelength of 940 nm, which will help to design PPG sensors for wearable and medical devices. The mean absolute error with this wavelength is 2.55 g/L with an error rate of 1.78%. The power consumption analysis validates the designed system to be a low-power device. The designed processor can be used as a POC system, and due to its reconfigurable advantage, the system can be further improved by adding other health parameter predictions and disease detection.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».