Assessing Photoplethysmogram (PPG) Signal Quality Across Participant Groups and Settings
Notice bibliographique
Résumé
Photoplethysmography (PPG) is commonly used in consumer wrist-worn devices for continuous cardiac monitoring. However, PPG signals are highly susceptible to artifacts, which can compromise measurement accuracy. To address this, various signal quality metrics have been proposed (e.g., pulse skewness, perfusion index). While effective for singlepulse analysis, these metrics are less suitable for continuous monitoring or regions with weaker pulsatile signals, such as the wrist. This study investigates the power ratio (PR), a frequency-domain metric, for segment-wise PPG signal quality assessment in wrist-worn devices. We collected PPG and accelerometer data from 46 participants representing both non-clinical and clinical populations. Low-motion PPG segments were identified, and a subset of these recordings was manually annotated for signal quality. Results demonstrate that PR effectively distinguishes between high- and low-quality segments, particularly when the signal's dominant frequency is disrupted or when abnormal amplitude patterns alter the spectral distribution. However, PR showed limited sensitivity to morphological distortions that do not significantly affect frequency content. A PR threshold derived from the non-clinical dataset generalized well to clinical populations, though individual variability (e.g., significantly elevated heart rate) challenged its robustness. These findings support the use of PR as a conservative segment-level quality metric for wrist-worn PPG monitoring. However, integrating PR with complementary quality metrics may further enhance its detection capabilities across a broader range of signal degradations and improve clinical utility.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».