photoplethysmogram
PulseAugur coverage of photoplethysmogram — every cluster mentioning photoplethysmogram across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
CardioFusion-AI框架通过融合心电图和光电容积脉搏波数据增强生理监测
研究人员开发了CardioFusion-AI，一个旨在通过融合心电图（ECG）和光电容积脉搏波（PPG）传感器数据来提高生理监测可靠性的新框架。该系统设计用于抵抗信号退化，如通常影响单个传感器的运动伪影或传感器丢失。通过对照研究和与现有融合策略的比较，CardioFusion-AI证明了在心率估算方面提高了准确性，特别是在一种传感器模式受到影响的条件下。
-
新的P2E-VQ框架通过ECG链接表征增强PPG数据
研究人员开发了P2E-VQ，一个新颖的框架，通过链接心电图（ECG）信息来增强光电容积脉搏波图（PPG）数据。P2E-VQ不试图从PPG重建ECG信号，而是将PPG片段转换为离散令牌，并从内存库中检索相关的ECG链接表征。该方法在推理时无需ECG信号即可增强PPG数据，并在包括临床终点预测和情感状态识别在内的各种下游任务中，与现有的预训练模型相比，表现出卓越的性能。
-
三星 AI 模型实现实时智能手表心脏诊断
Samsung Research America 推出了两款新的人工智能模型 xMAE 和 HiMAE，专为在设备上解读心电图 (ECG) 和光电容积脉搏波描记法 (PPG) 数据而设计。这些模型能够直接在智能手表上进行高级心脏诊断，处理信息的时间不到一毫秒。这项创新旨在超越被动健康追踪，实现更积极、实时的医疗洞察。
-
三星发布用于可穿戴健康数据分析的AI模型
三星研究（美国）开发了两个AI基础模型，xMAE和HiMAE，旨在分析可穿戴设备中的生物信号数据。这些模型利用自监督学习从无标签的健康数据中提取见解，目标是支持连续、个性化和预防性的医疗保健。xMAE专注于光电容积脉搏波（PPG）和心电图（ECG）信号之间的时间关系，通过被动PPG测量实现心血管健康分析。HiMAE学习可穿戴数据中跨越不同时间尺度的健康模式，从而在资源有限的情况下实现设备端处理。
-
CardioState-JEPA 整合心电图、光电容积脉搏波和心音图，实现统一的心脏表示
研究人员开发了 CardioState-JEPA，这是一种新颖的基础模型，旨在通过整合心电图 (ECG)、光电容积脉搏波 (PPG) 和心音图 (PCG) 的数据来学习统一的心脏表示。该模型利用一种生理感知联合嵌入预测架构来预测掩蔽的潜在心脏状态，并明确考虑了跨模态延迟。当作为冻结编码器进行评估时，CardioState-JEPA 在所有三种模态的下游分类任务上显著提高了性能，优于现有的自监督基线。
-
新的ProtoMM框架增强了自监督多模态生物信号学习
研究人员推出ProtoMM，一个旨在改进多模态时间序列数据（尤其是在生物信号领域）建模的新型自监督学习框架。与可能过度拟合易于对齐特征的现有方法不同，ProtoMM利用共享原型字典将异构模态锚定到共同的嵌入空间中。该方法旨在捕捉不同信号（如光电容积脉搏波（PPG）和加速度计）之间的互补信息，从而创建更连贯的表示。该框架在分析生理信号方面，与仅对比学习和先前多模态SSL方法相比，表现更优。
-
新的AI框架通过详细信号分析提高睡眠分期准确性 · 跟踪2个来源
研究人员正在开发自动睡眠分期的先进方法，超越传统的30秒周期分析。一种方法利用隐半马尔可夫模型将粗略的周期标签转换为秒级注释，通过利用睡眠阶段边界附近的细微信号变化来提高准确性。另一种方法SWINSleepNet采用分层、上下文感知的框架，同时使用时域EEG信号和时频变换以及Swin Transformer来捕捉精细的时间细节和长距离依赖关系，在具有挑战性的睡眠阶段和转换方面表现出改进的性能。
-
研究发现：PPG血糖模型未能通过现实世界测试
一个用于基于光电容积脉搏波描记图（PPG）的无创血糖水平估算的新评估流程，揭示了模型性能的显著高估。当使用更严格的、考虑参与者的协议进行测试时，五种代表性的基于PPG的方法显示出接近零或负的R²值，与简单的平均预测基线相当。尽管超过90%的预测在Clarke误差网格中处于临床可接受的区域内，但这一指标掩盖了模型泛化能力的不足，突显了标准的机器学习评估与实际临床效用之间存在严重脱节。
-
Cardiologent：多智能体AI系统辅助心律失常评估和管理
研究人员开发了Cardiologent，一个多智能体临床决策支持系统，旨在评估患者级别的心律失常、紧急程度和管理。与以往专注于单一心电图读数或预先检测到的心律失常的系统不同，Cardiologent整合了包括心电图和光电容积脉搏波图在内的多种信号数据。该系统通过检索临床指南进行推理，提供可审计的决策，在综合诊断、临床意义和紧急程度方面优于心脏病专家和LLM（大型语言模型）裁判。
-
新AI模型利用PPG信号筛查主动脉瓣疾病
研究人员开发了一种新颖的生理信号引导的自监督学习（PG-SSL）方法，利用光电容积脉搏波描记法（PPG）信号来筛查主动脉瓣疾病（AVD）。该方法利用了来自UK Biobank的约17万条未标记的PPG记录，根据与主动脉瓣狭窄和反流相关的波形表型构建伪标签。在小型标记数据集上进行微调后，该模型在主动脉瓣狭窄上的AUROC为0.8025，在主动脉瓣反流上的AUROC为0.7669，展示了其在低成本、可扩展的AVD筛查方面的潜力。
-
新研究表明，直接PPG信号在可穿戴血压监测方面更优
两篇新研究论文探讨了使用可穿戴传感器估算血压的方法，重点关注光电容积脉搏波图（PPG）和心电图（ECG）信号。第一篇论文提出了一种轻量级的混合学习框架，结合了单次搏动PPG嵌入和生理特征来进行无袖带血压估算，收缩压的平均绝对误差为4.02 mmHg，舒张压为1.79 mmHg。第二项研究分析了MIMIC-III数据库，发现PPG信号与血压的生理相关性比ECG信号更强，表明直接的PPG到血压预测管道对于可穿戴设备更有效，达到了英国高血压…
-
生物调谐眼镜：隐形生物反馈界面利用边缘AI自适应环境
研究人员正在开发生物调谐眼镜（Bio-Tuning Glasses），这是一个实验性概念，旨在构建一个隐形生物反馈界面，根据用户的生理状态来调整其环境。与通常通知用户健康指标的可穿戴设备不同，这款眼镜旨在微妙地干预和修改环境，例如调整视觉刺激，而无需用户直接交互。该系统采用三层AI架构，包括用于即时响应的设备端边缘AI、用于情境自适应的智能手机以及用于长期学习和个性化的云端AI。
-
Google Research 发布 SensorFM，一款用于可穿戴健康数据的基础模型 · 已追踪 4 个来源
Google Research 推出了 SensorFM，一款用于可穿戴健康数据的大型基础模型。SensorFM 在来自五百万人的一万亿分钟以上的传感器数据上进行了预训练，学习了人类生理学的一种通用表示，可应用于 35 项不同的健康预测任务。该模型旨在超越单一用途的健康算法，提供一种更集成的方法来解读可穿戴设备数据，以获得个性化的健康见解，并可能作为个人健康代理的核心。
-
新框架TimeSynth对健康信号预测模型进行基准测试
研究人员推出TimeSynth，一个旨在对健康信号数字孪生预测模型进行基准测试的新框架。该框架解决了当前点状指标的局限性，这些指标未能检测到生理信号在振荡、频率、相位和状态转换动态方面的关键损失。TimeSynth包含一个生成器，用于从真实的脑电图、心电图和光电容积脉搏波描记图数据中创建具有已知地面真实动态的信号，并附带用于量化保真度的诊断工具。研究发现，线性和注意力模型通常会丢失频率和相位信息，而具有局部时间结构的架构则能更好地保留这些动态。
-
新的PCHS框架增强了腕部PPG心率和呼吸率估计
研究人员开发了一个名为物理约束谐波分离（PCHS）的新框架，以提高从腕戴式光电容积脉搏波（PPG）信号估计心率（HR）和呼吸率（RR）的准确性。该方法解决了运动伪影的挑战，这些伪影经常干扰生理信号分析。PCHS将HR和RR估计视为一种合成分析问题，利用加速度计数据来约束伪影分离，而不是直接预测生命体征。该框架将PPG信号分解为生理成分和运动残差，即使在剧烈运动下也能更可靠地恢复HR和RR。
-
新的PCHS框架改进了从腕部PPG估算心率的准确性
研究人员开发了一个名为物理约束谐波分离（PCHS）的新框架，以提高从腕戴式光电容积脉搏波（PPG）信号估算心率（HR）和呼吸率（RR）的准确性。该方法利用加速度计数据来指导生理信号与噪声的分离，从而解决了运动伪影的挑战。PCHS框架将PPG信号分解为其组成生理成分和一个运动相关残差，从而实现更可靠的生命体征恢复。在PPG-DaLiA数据集上的实验表明，PCHS的性能显著优于现有方法，并提供了可解释的信号分解。
-
机器学习探索通过智能手表进行无创血糖监测
研究人员探索了使用机器学习和深度学习通过智能手表上的光电容积脉搏波（PPG）信号无创地估算血糖水平。该方法旨在克服传统侵入式连续血糖监测（CGM）设备的局限性，后者可能引起刺激。该研究提出了一个配对的PPG信号和CGM数据的数据集，初步结果表明存在潜在的预测信号，但需要对更大规模的数据集进行进一步研究。
-
Transformer模型从PPG信号估算血压
研究人员开发了一种名为DMT的新型Transformer模型，用于从光电容积脉搏波描记图（PPG）信号中估算血压，无需袖带。该模型通过特征调制整合人口统计学信息，并使用辅助形态头来关注相关的波形特征。在PulseDB数据集上进行评估，DMT在收缩压和舒张压上的平均绝对误差分别为4.56 mmHg和2.62 mmHg，显著优于先前的人口统计学增强基线模型。
-
Orbital Industries完成5000万美元融资，用于AI驱动的材料发现
Orbital Industries是一家专注于利用AI发现和制造先进材料的初创公司，已获得5000万美元B轮融资。本轮融资由Plural领投，Nvidia的风险投资部门和其他现有投资者参投。这笔资金将用于扩大其数据中心相关产品的商业部署，扩大团队，并开发其AI平台以应用于更广泛的工业领域。Orbital专有的AI模型Orb，旨在模拟原子行为，据称比主要科技公司的竞争模型速度更快、效率更高。
-
VAMP-Diff模型增强了生理信号生成的真实感
研究人员开发了VAMP-Diff，这是一种新颖的变分扩散模型，旨在生成更真实的光电容积脉搏波（PPG）信号。该模型集成了时间PPG编码器和条件扩散解码器，并利用VampPrior正则化来获得更有效的潜在结构。与以前的方法相比，VAMP-Diff在波形保真度、心率和呼吸率信息的保留以及对信号损坏的敏感性方面均有所提高。