Development of deep learning models for motion artifact mitigation in wearable PPG devices
Notice bibliographique
Résumé
Wearable devices are becoming more significant in remote healthcare, fitness tracking, and athletics monitoring through advancing sensor technologies. Primarily utilizing photoplethysmography, these devices employ light to non-invasively monitor physiological changes in peripheral circulation, allowing for the estimation of heart rate, pulse oximetry, blood flow, arrhythmia detection, and other vital cardiac metrics. A significant challenge in the utility of these optical signals is the presence of motion artifacts, which diminish the usefulness of data from wearable devices during exercise and high-movement activities. Currently, accelerometers detect excessive motion and dispose of ‘contaminated’ data. Despite this, accelerometers capture global motion rather than the relative motion at the sensor-skin interface, which is the predominant source of motion artifacts. Here, we propose integrating a pressure channel and multiple light wavelengths within the wearable to support the denoising process. The pressure channel captures relative motion, and an increased spectral resolution captures blood flow information at different depths. This multimodal data can be combined with modern deep learning models to reconstruct motion-free physiological waveforms. We developed a multisensory device that combines force and multiwavelength optical measurements to capture relative motion at the sensor interface. Deep learning models were then trained to reconstruct the photoplethysmography waveform. Initial testing and training consist of controlled lab experiments with plans to translate into real-world examples of motion. Current bench testing has resulted in a model that reconstructs denoised PPG signals with a leave-one-subject-out mean square error of 0.037, mean heart rate estimation error of 1.35 BPM, and an overall 23.68% increase in signal quality (n=10).
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 ».