Method for the Measurement of the Dicrotic Notch in the Photoplethysmography Signal
Notice bibliographique
Résumé
A critical feature in photoplethysmography (PPG) signals is the diastolic (reflective) pressure wave following the systolic (forward) pressure wave during each compression cycle. The shape of these can often result in a feature known as the dicrotic notch. The PPG signal’s attributes provide valuable insights into cardiovascular health related to arterial vessel health, yet its measurement and characterization remain challenging due to variability and noise. We introduce an improved Gaussian decomposition algorithm to identify and quantify the forward and reflected pressure waves in individual cycles of the PPG signal. The algorithm iteratively decomposes the signal for each heartbeat into two Gaussian components, isolating the rising edge portion of the signal to model the systolic peak, followed by a model of the remaining diastolic peak. This enables robust characterization of the systolic and diastolic peaks across varying signal classes. Validation was performed on synthetic data, with parameter sweeps to assess robustness under different noise levels, and a wide range of signal morphologies then revalidated on patient data from the MIMIC-III database. Results demonstrate that the algorithm accurately identifies the PPG waveform measurements including dicrotic notch in most PPG signal classes, outperforming traditional peak detection and derivative-based methods, particularly under moderate noise conditions.
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) | 0,000 | 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 ».