Photoplethysmography
PulseAugur coverage of Photoplethysmography — every cluster mentioning Photoplethysmography across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。