自适应和自学贝叶斯选算法,用于统计性地描述和改进可穿戴设备中心率数据的信号噪声比
Luca Cossu1, Giacomo Cappon1, Andrea Facchinetti1
1Department of Information Engineering, University of Padova , Padova, Italy.
Journal of the Royal Society, Interface
|September 3, 2024
概括
一个新的贝叶斯选算法可以提高可穿戴传感器对心率等生命体征的准确性. 这种先进的信号处理提高了临床和研究应用的数据可靠性.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 可穿戴技术可穿戴技术
背景情况:
- 可穿戴传感器对于健康监测至关重要,但往往缺乏临床级准确性.
- 专用医疗设备提供更高的准确性,但不如可穿戴设备那么方便.
- 提高可穿戴传感器数据质量对于更广泛的医疗保健应用是必不可少的.
研究的目的:
- 引入和评估一种新的贝叶斯选 (BF) 算法,用于增强可穿戴传感器的生命信号质量.
- 评估算法的适应不断变化的信号噪声比 (SNR) 能力.
- 为了证明BF在改善心率 (HR) 数据准确性的有效性.
主要方法:
- 开发一个贝叶斯选 (BF) 算法,旨在学习信号和噪声特征.
- 实现窗口分析和基于贝叶斯标准的平滑以实现适应性性能.
- 使用Garmin Vivoactive 4智能手表的心率 (HR) 数据对BF算法的评估.
主要成果:
- 与非适应性方法相比,BF算法证明了优越的SNR跟踪和平滑.
- 在可穿戴HR数据中,BF准确地捕获了SNR变化.
- 错误指标的显著降低:根平均平方误差从2.84 bpm降至1.21 bpm,平均绝对相对误差从3.46%降至1.36%.
结论:
- 开发的贝叶斯选 (BF) 算法有效地提高了可穿戴传感器的信号质量.
- 作为一种预处理工具,BF具有显著的潜力,可以提高生命体征监测的准确性,特别是人力资源数据.
- 这些进展可以扩大可穿戴健康技术的临床和研究实用性.
