通过可穿戴设备获得的信号的自动化管道,用于无声化,缺失数据处理和特征提取,用于多发性硬化症和肌缩性侧面硬化症应用
Luca Cossu1, Giacomo Cappon1, Andrea Facchinetti1
1Department of Information Engineering, University of Padova, Padova, Italy.
Frontiers in digital health
|October 14, 2024
概括
本研究介绍了一条自动化管道,用于处理可穿戴设备数据,改善信号质量并提取神经疾病研究的相关特征. 这种基于Python的工具增强了H2020 BRAINTEASER项目的数据,帮助进行多发性硬化症和肌缩性侧面硬化症研究.
科学领域:
- 生物医学工程 生物医学工程
- 可穿戴技术可穿戴技术
- 数据科学数据科学数据科学
背景情况:
- 可穿戴设备提供了有价值的健康监测,但会产生带有文物和数据缺口的噪音信号.
- 从原始可穿戴数据中提取临床相关特征对于神经疾病进展建模等应用具有挑战性.
- 在H2020 BRAINTEASER项目需要强大的数据处理多发性硬化症 (MS) 和肌缩性侧面硬化症 (ALS) 的研究.
研究的目的:
- 引入一个自动化管道来处理来自Garmin Vivoactive 4智能手表的信号.
- 通过信号处理技术提高数据质量,如重新定时,填空和消除噪音.
- 通过使用专家反来提取临床相关的特征,用于神经疾病研究.
主要方法:
- 在Python中开发了一个用于信号处理和特征提取的自动化管道.
- 实现了重新定时,填空和消除噪音的算法,以清除可穿戴传感器数据.
- 综合临床合作伙伴反,以针对MS和ALS相关的目标特征选择.
主要成果:
- 测试证实了管道在提高数据质量和提取有意义的特征方面的有效性.
- 自动化过程成功地准备了可穿戴数据,以便在BRAINTEASER项目中进行进一步分析.
- 已证明增强了数据质量和功能相关性,用于神经疾病监测.
结论:
- 开发的Python管道为可穿戴设备的自动信号处理和功能提取提供了有效的解决方案.
- 这种工具对于研究使用可穿戴数据研究神经疾病进展的研究人员来说是有价值的.
- 管道的适应性允许在各种研究场景和可穿戴设备上进行定制.
