Photoplethysmography
PulseAugur coverage of Photoplethysmography — every cluster mentioning Photoplethysmography across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新框架改进了血压波动期间的估算
研究人员开发了一个新的框架，用于评估和再校准使用光电容积脉搏波描记法（PPG）的血压估算模型。该方法侧重于在血压突然波动或“变点”期间识别和分析性能，而不是仅仅依赖聚合指标。研究发现，当前最先进的模型在这些变点附近通常会显著退化，并提出了一种有针对性的再校准方法，以提高鲁棒性而不改变模型架构。
-
研究发现SSL表征不足以进行主观情绪检测
一篇新研究论文探讨了一般自监督学习（SSL）表征在应用于光电容积脉搏波（PPG）信号进行情绪检测等主观任务时的局限性。虽然这些表征在体力活动识别等客观任务上被证明非常有效，但在留一受试者协议下，它们在真实生活情绪检测方面的表现并未显著优于基本方法。研究表明，个性化，即在微调过程中纳入个体自身的数据，对于准确的主观情感推断至关重要，其效果可能超过广泛预训练的好处。
-
新模型学习统一的心脏表征，整合多种传感器类型
研究人员开发了CardioState-JEPA，这是一种新颖的基础模型，旨在从多种传感器模态中学习统一的心脏生理学表征。该模型通过将心电图（ECG）、光电容积脉搏波描记法（PPG）和心音图（PCG）的异构波形映射到公共令牌空间来整合它们的数据。它采用Transformer编码器和学习到的延迟对齐器来处理信号之间的时间偏移，从而能够预测被掩码的潜在心脏状态。当作为冻结编码器进行评估时，CardioState-JEPA在各种下游任务中的性…
-
深度学习模型利用脉搏波图像对年龄进行分类
研究人员开发了一种新颖的深度学习方法，使用卷积神经网络将动脉脉搏波分类到不同的年龄组。通过对称投影吸引子重构（SPAR）方法将时间序列脉搏波数据转换为图像，该模型能够区分紧密年龄段内的受试者。该技术在光电容积脉搏波（PPG）和动脉张力图信号上均达到了高于70%的F1分数，表明其在早期心血管风险检测方面的潜力，尤其是在智能可穿戴设备上。
-
新的PECS框架改进了心血管AI的概念漂移检测
研究人员开发了一个名为PECS的新框架，用于检测心血管AI模型中多模态生理信号的概念漂移。该框架将模型内部的变化与信号中的可测量变化进行比较，利用心电图（ECG）、光电容积脉搏波图（PPG）和呼吸数据。PECS在PTB-XL、BIDMC和MIMIC数据集上进行了测试，与现有的漂移检测方法相比，PECS表现出优越的性能，实现了高漂移分类准确率。
-
基于PPG的血糖估算方法在严格评估下失败
一篇新发表在arXiv上的研究论文评估了使用光电容积脉搏波描记法（PPG）信号估算血糖水平的可行性。该研究开发了一个可复现的评估流程，并发现现有基于PPG的方法在随机划分下看似具有竞争力，但在更严格的参与者感知和留一参与者出局协议下表现显著下降。研究强调，像Clarke误差网格这样的常用临床指标可能会掩盖模型故障，这表明在PPG血糖监测的临床验证之前，进行稳健的机器学习评估至关重要。
-
智能手表检测到无声心梗，挽救主人生命
一款配备先进ECG和光电容积脉搏波描记法（PPG）传感器的高端智能健康手表向Elena Rostova发出了无声心梗的警报。该手表检测到心率过高和急性心脏窘迫的迹象，促使Elena呼叫紧急服务。由于可穿戴设备提供的早期检测，急救人员迅速赶到并能够进行包括放置支架在内的挽救生命的治疗。
-
新框架重构低质量 PPG 信号以准确估算 SpO2
研究人员开发了一种新颖的框架，用于重构低质量双波长光电容积脉搏图 (PPG) 信号，这对于可穿戴健康监测中的连续血氧饱和度 (SpO2) 估算至关重要。该方法采用 SpO2 预测器来指导阶段式重构过程，结合了时域波形损失和源自短时傅里叶变换 (STFT) 的频域损失。通过将 SpO2 预测器作为约束，重构优先保留与 SpO2 相关的信息，而不是仅仅最小化波形误差。在公共和私有数据集上的实验表明，其性能优越，分别实现了最低的受试者级别平…
-
新的CAP方法利用临床数据增强PPG表示学习
研究人员开发了一种名为临床锚定预训练（CAP）的新方法，以改进光电容积脉搏波（PPG）信号通用表示的学习。现有方法常常忽略患者级别的健康背景，限制了其泛化能力。CAP通过构建大规模配对的PPG-EHR多模态数据集，并利用跨模态对比锚定将PPG表示与临床语义关联起来，从而解决了这一问题。这种方法增强了鲁棒性和可迁移性，在下游任务中表现出显著的改进，尤其是在呼吸频率预测方面。
-
新的PPG基础模型使用多模态信号提高鲁棒性
研究人员开发了一种新的光电容积脉搏波描记法（PPG）基础模型，该模型通过在预训练期间利用心电图和呼吸数据等多模态生理信号来增强鲁棒性。这种方法使模型能够从嘈杂的PPG片段中学习，在不需要大量精选数据集的情况下提高其对真实世界、消费级数据的泛化能力。该模型在包括日常活动和心率预测在内的15个不同下游任务中的14个任务上取得了性能提升，使用的受试者数量明显少于现有的最先进方法。
-
新数据集捕捉对ASMR和自然视频的生理反应
研究人员推出了REST-ASMR，一个旨在捕捉对ASMR和自然视频的生理和行为反应的新多模态数据集。该数据集包括光电容积脉搏波描记法（PPG）数据、同步视听刺激以及来自34名参与者的主观注释。双向长短期记忆（Bidirectional Long-Short Term Memory）模型能够以高精度预测主观ASMR状态并区分ASMR与自然视频。
-
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。