Inception CNN-Transformer for Robust PPG-to-ECG Reconstruction
Notice bibliographique
Résumé
In recent years, wearable healthcare devices and robots have become increasingly crucial in the face of population aging and the rising prevalence of chronic diseases, including cardiovascular disease, which remains a leading cause of mortality worldwide. These conditions amplified the demand for advanced, continuous monitoring of cardiovascular health. While electrocardiogram (ECG) signals offer comprehensive diagnostic insights, their reliance on multiple electrodes often limits practicality. In contrast, photoplethysmogram (PPG) signals are more convenient to acquire but lack the rich detail of ECG. In this paper, we propose a novel PPG-to-ECG reconstruction method that combines an Inception CNN for multiscale feature extraction with a Transformer architecture for capturing global dependencies. Our proposed method achieves robust ECG signal reconstruction even under high-noise conditions by effectively preserving local morphological details and leveraging long-range contextual information. We validate the proposed approach on diverse datasets spanning everyday life and intensive care unit (ICU) settings, demonstrating high accuracy and generalizability. Experimental results indicate an RMSE of 0.26, corresponding to a 10% improvement over state-of-the-art methods. These findings highlight the feasibility of reliable, real-time ECG reconstruction from PPG signals alone, paving the way for scalable and accessible healthcare monitoring solutions in clinical and wearable contexts.
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 ».