Wearable health monitoring with seismocardiography and generative modeling
Notice bibliographique
Résumé
Cardiovascular disease (CVD) remains a leading cause of death and disability worldwide, underscoring the critical need for early detection and continuous monitoring.Wearable technologies have emerged as a promising solution, offering non-invasive, real-time assessment of physiological signals in daily life.Among these, seismocardiography (SCG)-a technique that NIBP, ICG, and PPG, respectively.This result demonstrates the feasibility of using a single motion sensor to estimate rich, multimodal cardiac information, offering a simplified and scalable alternative to traditional multi-sensor systems.Finally, we explore the use of synthetic SCG data to improve cross-domain pulmonary hypertension (PH) detection.We leverage generative models and introduce a dataset selection method to optimize the composition of synthetic and real training data.Our approach improves the out-of-distribution PH detection performance, increasing the area under the ROC curve from 0.51 to 0.86.These results highlight the potential of generative SCG modelling in a clinically relevant scenario with limited training data.Collectively, these contributions advance SCG as a viable and scalable modality for wearable cardiac monitoring.By improving signal robustness, addressing data scarcity, enabling multimodal estimation, and demonstrating clinical relevance, this work expands the role of SCG in both research and real-world applications.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».