Evaluación de la Calidad de Señal de Señales de Fotopletismografía Utilizando Modelos Híbridos Basados en Reglas y Aprendizaje

Autores/as

  • Giovani Decico Lucafó Samsung R&D Institute
  • Pedro Freitas Samsung R&D Institute
  • Rafael Lima Samsung R&D Institute
  • Gustavo da Luz Samsung R&D Institute
  • Ruan Bispo Samsung R&D Institute
  • Paula Rodrigues Samsung R&D Institute
  • Frank Cabello Samsung R&D Institute
  • Otavio Penatti Samsung R&D Institute

DOI:

https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1080

Palabras clave:

Evaluación de la calidad, Fotopletismografía, Aprendizaje profundo

Resumen

Las señales de fotopletismografía son cruciales para una amplia gama de aplicaciones y, por lo tanto, las señales PPG de alta calidad son cruciales para describir con precisión el estado cardiorrespiratorio. Los artefactos de movimiento pueden interrumpir las aplicaciones basadas en PPG, especialmente cuando estas señales se registran a través de dispositivos portátiles. Teniendo esto en cuenta, algunos investigadores han propuesto algunos métodos para evaluar la calidad de estas señales. Algunos enfoques de aprendizaje y basados en reglas para la señal PPG están disponibles para determinar la calidad de la señal. En este documento, proponemos una compensación entre estos dos enfoques, introduciendo un modelo híbrido que emplea reglas de aprendizaje y decisión para determinar la calidad de la señal.

Biografía del autor/a

Pedro Freitas, Samsung R&D Institute

Samsung R&D Institute

Rafael Lima, Samsung R&D Institute

Samsung R&D Institute 

Gustavo da Luz, Samsung R&D Institute

Samsung R&D Institute

Ruan Bispo, Samsung R&D Institute

Samsung R&D Institute

Paula Rodrigues, Samsung R&D Institute

Samsung R&D Institute

Frank Cabello, Samsung R&D Institute

Samsung R&D Institute

Otavio Penatti, Samsung R&D Institute

Samsung R&D Institute

Citas

A Quality Assessment System for PPG Waveform. Hao, Jiang, and Gao Bo. 2021, 2021 IEEE 3rd International Conference on Circuits and Systems (ICCS).

Optimal signal quality index for photoplethysmogram signals. Elgendi, Mohamed. 2016, Bioengineering 3.4, p. 21.

Extending the battery lifetime of wearable sensors with embedded machine learning. Fafoutis, X., Marchegiani, L., Elsts, A., Pope, J., Piechocki, R., & Craddock. 2018, IEEE 4th World Forum on Internet of Things (WF-IoT).

A survey of convolutional neural networks: analysis, applications, and prospects. Li, Z., Liu, F., Yang, W., Peng, S., & Zhou, J. 2021, IEEE transactions on neural networks and learning systems.

1-D convolutional neural networks for signal processing applications. Kiranyaz, S., Ince, T., Abdeljaber, O., Avci, O., & Gabbouj, M. 2019, ICASSP 2019-2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP).

Keras-Spiking. www.nengo.ai/keras-spiking. [Online]

Cross-validation. Refaeilzadeh, Payam, Lei Tang, and Huan Liu. 2009, Encyclopedia of database systems 5, pp. 532-538.

Accelerated visual context classification on a low-power smartwatch. Conti, F., Palossi, D., Andri, R., Magno, M., & Benini, L. 2016, IEEE Transactions on Human-Machine Systems 47.1, pp. 19-30.

A novel method for accurate estimation of HRV from smartwatch PPG signals. Bhowmik, Tanmoy, Jishnu Dey, and Vijay Narayan Tiwari. 2017, 2017 39th annual international conference of the IEEE engineering in medicine and biology society (EMBC), pp. 109-112.

Publicado

2023-07-20

Cómo citar

Lucafó, G. D., Freitas, P., Lima, R., Luz, G. da, Bispo, R., Rodrigues, P., … Penatti, O. (2023). Evaluación de la Calidad de Señal de Señales de Fotopletismografía Utilizando Modelos Híbridos Basados en Reglas y Aprendizaje. Journal of Health Informatics, 15(Especial). https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1080

Artículos similares

<< < 

También puede {advancedSearchLink} para este artículo.