photoplethysmogram
PulseAugur coverage of photoplethysmogram — every cluster mentioning photoplethysmogram across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
Google Research 发布 SensorFM，一个可穿戴健康数据的基础模型 · 跟踪 4 个来源
Google Research 推出了 SensorFM，一个用于可穿戴健康数据的大型基础模型。SensorFM 在来自五百万个人的超过一万亿分钟的传感器数据上进行了预训练，学习了人类生理学的一般表示，可应用于 35 种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。
-
新的深度学习模型可从PPG信号估算心输出量
研究人员开发了一种名为CVAF-Net的新型深度学习模型，用于从短时光电容积脉搏波（PPG）信号估算心输出量。该模型处理原始PPG数据和特征序列图，并使用跨视图注意力融合它们以提高准确性。CVAF-Net在多个数据集上表现强劲，在模拟数据上实现了0.19 L/min的平均绝对误差，性能优于大多数基准模型，同时比领先的基于Transformer的模型在计算效率上显著更高。
-
新模型以参数高效的方式合成生理信号
研究人员开发了一种名为Compact Latent Manifold Translation (CLMT) 的新型参数高效基础模型，用于合成生理信号。该模型解决了ECG和PPG等信号分析中的模态和频率差距等挑战。CLMT采用新颖的两阶段离散翻译方法，将信号解耦为不同的潜在流形，从而实现高效的跨模态和跨频率合成。
-
新型AI模型xMAE学习生物信号时序，以改进健康预测
研究人员开发了一种名为xMAE的新预训练框架，旨在从生物信号中学习有意义的表示。该方法专门解决了ECG和PPG等不同生物信号之间的时序动态问题，这些信号捕捉了同一生理过程的不同阶段。通过重建掩码的跨模态信号，xMAE促使学习到的表示能够整合生理上相关的时序结构。该框架在各种下游任务上表现出色，优于现有的单模态和多模态基线。
-
深度学习模型在路面、航空发动机和情感识别任务中展现出潜力
研究人员正在探索深度学习模型在各个领域的预测性维护和性能分析。一项研究利用CNN和LSTM网络，结合德克萨斯州的大量路面状况数据来模拟劣化，结果显示CNN优于标准的机器学习。另一篇论文侧重于通过强调数据预处理再应用时间卷积网络（TCN）来改进航空发动机的剩余使用寿命（RUL）预测，在NASA C-MAPSS数据集上展示了卓越的准确性。此外，对基于PPG的情感识别的深度学习架构（CNN、Transformer、Mamba）的比较表明，C…
-
新的生成式自监督学习框架改进了PPG数据的生理参数估计
研究人员开发了一个名为TS2TC的新生成式自监督学习框架，以改进从光电容积脉搏波描记法（PPG）数据中估计生理参数。该框架通过从大量无标签数据中学习鲁棒的表示来解决有限的标签数据这一挑战。TS2TC利用时间域、频谱域和混合域，以及新颖的跨时间融合生成锚点（CTFGA）预训练任务和双过程迁移（DPT）策略，来提取全局和局部上下文特征。实验表明，TS2TC仅使用10%的训练数据，在均方根误差（RMSE）方面比现有方法提高了2.49%。
-
新理论基于智能手机光电容积脉搏波描记法实现心脏健康监测
研究人员开发了心脏稳定性理论（CST），这是一个基于心动力学吸引子周围稳定性裕度来定义心血管健康的新框架。该理论催生了心脏稳定性指数（CSI），这是一个从李雅普诺夫指数和信号熵等因素派生出的指标。该框架已适配用于智能手机光电容积脉搏波描记法（PPG）传感器，从而实现连续、非侵入式的心脏监测，用于健康追踪和风险分层。