論文の概要: Temporal prediction of oxygen uptake dynamics from wearable sensors
during low-, moderate-, and heavy-intensity exercise
- arxiv url: http://arxiv.org/abs/2105.09987v1
- Date: Thu, 20 May 2021 18:40:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-29 17:04:49.661335
- Title: Temporal prediction of oxygen uptake dynamics from wearable sensors
during low-, moderate-, and heavy-intensity exercise
- Title（参考訳）: 低、中、高強度運動時のウェアラブルセンサからの酸素摂取動態の時間的予測
- Authors: Robert Amelard, Eric T Hedge, Richard L Hughson
- Abstract要約: 時間的畳み込みネットワーク(TCN)を用いた周期エルゴメータ運動時のVO$の時間的予測について検討した。
本システムは,エクササイズ適応と個人適合性を監視するウェアラブルセンサを用いて,様々な運動強度の非作業環境における定量的な好気性活動モニタリングを可能にする。
- 参考スコア（独自算出の注目度）: 1.0312968200748118
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Oxygen consumption (VO$_2$) provides established clinical and physiological
indicators of cardiorespiratory function and exercise capacity. However, VO$_2$
monitoring is largely limited to specialized laboratory settings, making its
widespread monitoring elusive. Here, we investigate temporal prediction of
VO$_2$ from wearable sensors during cycle ergometer exercise using a temporal
convolutional network (TCN). Cardiorespiratory signals were acquired from a
smart shirt with integrated textile sensors alongside ground-truth VO$_2$ from
a metabolic system on twenty-two young healthy adults. Participants performed
one ramp-incremental and three pseudorandom binary sequence exercise protocols
to assess a range of VO$_2$ dynamics. A TCN model was developed using causal
convolutions across an effective history length to model the time-dependent
nature of VO$_2$. Optimal history length was determined through minimum
validation loss across hyperparameter values. The best performing model encoded
218 s history length (TCN-VO$_2$ A), with 187 s, 97 s, and 76 s yielding less
than 3% deviation from the optimal validation loss. TCN-VO$_2$ A showed strong
prediction accuracy (mean, 95% CI) across all exercise intensities (-22
ml.min$^{-1}$, [-262, 218]), spanning transitions from low-moderate (-23
ml.min$^{-1}$, [-250, 204]), low-heavy (14 ml.min$^{-1}$, [-252, 280]),
ventilatory threshold-heavy (-49 ml.min$^{-1}$, [-274, 176]), and maximal (-32
ml.min$^{-1}$, [-261, 197]) exercise. Second-by-second classification of
physical activity across 16090 s of predicted VO$_2$ was able to discern
between vigorous, moderate, and light activity with high accuracy (94.1%). This
system enables quantitative aerobic activity monitoring in non-laboratory
settings across a range of exercise intensities using wearable sensors for
monitoring exercise prescription adherence and personal fitness.
- Abstract（参考訳）: 酸素消費量(VO$_2$)は、心呼吸機能と運動能力の確立した臨床および生理学的指標を提供する。
しかし、VO$_2$モニタリングは特定の実験室の設定に限られており、広範囲にわたる監視が可能である。
本稿では,時間的畳み込みネットワーク(TCN)を用いた周期エルゴメータ運動時のVO$_2$の時間的予測について検討する。
心臓呼吸信号は,21歳の健常成人のメタボリック・システムから,接地トラスVO$2$と共に繊維センサーを内蔵したスマートシャツから取得した。
参加者はVO$_2$ダイナミックスの範囲を評価するために、1つのランプインクリメンタルと3つの擬似ランダムバイナリシーケンスエクササイズプロトコルを実行した。
TCNモデルは, VO$_2$の時間依存性の性質をモデル化するために, 有効履歴長の因果畳み込みを用いて開発された。
最適な履歴長は、ハイパーパラメータ値の最小検証損失によって決定される。
最高の性能モデルでは、218 s の履歴長 (TCN-VO$_2$A) を符号化し、187 s, 97 s, 76 s は最適な検証損失から 3% 未満のずれを生じる。
tcn-vo$_2$ a は、すべての運動強度 (-22 ml.min$^{-1}$, [-262, 218]) において強い予測精度 (平均, 95% ci) を示し、低モード (-23 ml.min$^{-1}$, [-250, 204]) 、低重 (14 ml.min$^{-1}$, [-252, 280]) 、換気しきい値 (-49 ml.min$^{-1}$, [-274, 176]) 、極大 (-32 ml.min$^{-1}$, [-261, 197]) の運動から遷移した。
16090sの予測VO$_2$の物理活性を秒単位に分類すると、活力、適度、光の活性を高い精度で識別できる(94.1%)。
本システムは,エクササイズ適応と個人適合性を監視するウェアラブルセンサを用いて,非作業環境における定量的なエアロビクスモニタリングを可能にする。
関連論文リスト
- CardioLab: Laboratory Values Estimation and Monitoring from Electrocardiogram Signals -- A Multimodal Deep Learning Approach [1.068128849363198]
我々はMIMIC-IVデータセットを用いてマルチモーダル深層学習モデルを構築し、推定(リアルタイム)と監視(将来の間隔での予測)実験値異常の可能性を示す。
AUROCスコアが0.70を超え、23の実験室値と26の観測室値に対して統計的に有意な精度で予測性能を示す。
論文 参考訳（メタデータ） (2024-11-22T12:10:03Z) - On the effectiveness of smartphone IMU sensors and Deep Learning in the detection of cardiorespiratory conditions [0.21987601456703473]
本研究は, 心肺疾患の早期スクリーニングのための, 取得プロトコルに基づく革新的な手法を提案する。
5つの異なる身体領域の加速度計とジャイロスコープで得られた呼吸動態を記録したデータセットを臨床的に収集した。
本研究では,早期心肺疾患スクリーニングのためのエンド・ツー・エンドのディープラーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2024-08-27T18:29:47Z) - Self-Supervised Pretraining Improves Performance and Inference
Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。
3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
論文 参考訳（メタデータ） (2023-09-05T21:36:42Z) - Longitudinal cardio-respiratory fitness prediction through free-living
wearable sensors [11.990376260559529]
我々は、自由生活環境下でのウェアラブルセンサからの運動と心拍信号を解析する。
我々は、生センサデータを心呼吸性フィットネス推定に変換するアルゴリズムとモデルを設計する。
論文 参考訳（メタデータ） (2022-05-06T10:04:04Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - Sleep Apnea and Respiratory Anomaly Detection from a Wearable Band and
Oxygen Saturation [1.2291501047353484]
シンプルで使いやすいデバイスから睡眠時無呼吸を自動的に検出するより便利な方法のための一般的な医学とクリティカルケアの必要性があります。
本研究の目的は, 呼吸異常を自動検出し, Apnea-Hypopnea-Index (AHI) をウェアラブル呼吸装置で推定することである。
4つのモデルが訓練された:1つは呼吸機能のみを使用し、1つはSpO2(%)信号のみから、もう1つは呼吸機能とSpO2(%)機能を使用する2つの追加モデルである。
論文 参考訳（メタデータ） (2021-02-24T02:04:57Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Robust Modelling of Reflectance Pulse Oximetry for SpO$_2$ Estimation [0.0]
肺疾患患者には酸素飽和度の連続モニタリングが不可欠である。
従来、SpO$$モニタリングは送信パルスオキシメータを使用して行われてきた。
反射パルスオキシメータは、指、手首、胸、額などの様々な場所で使用することができる。
論文 参考訳（メタデータ） (2020-04-14T04:53:14Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。