Dual smart sensor data-based deep learning network for premature infant hypoglycemia detection
Notice bibliographique
Résumé
In general, deficient birth weight neonates suffer from hypoglycemia, and this can be quite disadvantageous. Like oxygen, glucose is a building block of life and constitutes the significant share of energy produced by the fetus and the neonate during gestation. The fetus receives glucose from the placenta continuously during gestation, but this substrate delivery changes abruptly, and the fetus's metabolism changes significantly at birth. Hypoglycemia is one of the most frequent pathologies affecting the change of newborns in neonatal critical care units. This work is now introducing a system, HAPI-BELT, empowered by dual intelligent sensors and Deep Learning (DL) algorithms for tracking and continuously detecting hypoglycemia in preterm newborns. This article comprises a smart belt with an intelligent camera and photoplethysmography (PPG) attached. This device tracks changes in the infant's motion, skin colour, and breathing patterns; this is done through a PPG sensor strapped either on the belly or chest of an infant, logging information on heart functioning. The digital data gathered by this PPG sensor and image data captured from the smart camera are then processed by a Raspberry Pi Zero 2 W. It does most of the data analysis and decision-making. Feature Extraction (FE) is done through CAT-Swarm Optimization. Based on features, the sorted-out data gets evaluated through a GRU-LSTM (Gated Recurrent Unit - Long Short-Term Memory) network to identify the state of the infant as usual and suggestive of hypoglycemia-blood glucose below 70 mg/dL, pale complexion, profuse perspiration. When hypoglycemia is identified, an alert is sent to the medical professionals to take necessary action with utmost urgency. Therefore, an integrated approach ensuring timely medical interventions and real-time monitoring can help better outcomes for preterm newborns.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».