論文の概要: Identification of the Resting Position Based on EGG, ECG, Respiration
Rate and SpO2 Using Stacked Ensemble Learning
- arxiv url: http://arxiv.org/abs/2108.11604v1
- Date: Thu, 26 Aug 2021 06:58:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-27 14:18:20.029360
- Title: Identification of the Resting Position Based on EGG, ECG, Respiration
Rate and SpO2 Using Stacked Ensemble Learning
- Title（参考訳）: Stacked Ensemble Learning を用いたEGG, ECG, Respiration Rate, SpO2に基づく休息位置の同定
- Authors: Md. Mohsin Sarker Raihan, Muhammad Muinul Islam, Fariha Fairoz, and
Abdullah Bin Shams
- Abstract要約: 休息姿勢は、背中(夕食)に横たわる、左右に面する、自由落下位置の4つの基本的なカテゴリーに分類される。
本稿では,生理的パラメータから収集したデータに基づいて,他の3つの安静位置の状態を解析した。
これらのパラメータに基づいて、この静止位置は、決定木、ランダムフォレスト、Xgboostアルゴリズムを用いて設計されたハイブリッドスタックアンサンブル機械学習モデルを用いて分類される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Rest is essential for a high-level physiological and psychological
performance. It is also necessary for the muscles to repair, rebuild, and
strengthen. There is a significant correlation between the quality of rest and
the resting posture. Therefore, identification of the resting position is of
paramount importance to maintain a healthy life. Resting postures can be
classified into four basic categories: Lying on the back (supine), facing of
the left / right sides and free-fall position. The later position is already
considered to be an unhealthy posture by researchers equivocally and hence can
be eliminated. In this paper, we analyzed the other three states of resting
position based on the data collected from the physiological parameters:
Electrogastrogram (EGG), Electrocardiogram (ECG), Respiration Rate, Heart Rate,
and Oxygen Saturation (SpO2). Based on these parameters, the resting position
is classified using a hybrid stacked ensemble machine learning model designed
using the Decision tree, Random Forest, and Xgboost algorithms. Our study
demonstrates a 100% accurate prediction of the resting position using the
hybrid model. The proposed method of identifying the resting position based on
physiological parameters has the potential to be integrated into wearable
devices. This is a low cost, highly accurate and autonomous technique to
monitor the body posture while maintaining the user privacy by eliminating the
use of RGB camera conventionally used to conduct the polysomnography (sleep
Monitoring) or resting position studies.
- Abstract（参考訳）: restは高いレベルの生理学的、心理的パフォーマンスに不可欠です。
また、筋肉の修復、再構築、強化も必要である。
休息の質と休息姿勢には有意な相関がある。
したがって、安静位置の特定は健康な生活を維持する上で最も重要なものである。
休息姿勢は4つの基本的なカテゴリーに分類できる: 後肢(夕食)、左/右側面の向き、自由落下位置である。
後者の位置は研究者によって既に不健全な姿勢であると考えられており、そのため排除することができる。
本稿では, 心電図 (EGG) , 心電図 (ECG) , 呼吸速度, 心拍数, 酸素飽和度 (SpO2) などの生理指標から得られたデータをもとに, 静止位置の他の3つの状態を分析した。
これらのパラメータに基づいて、この静止位置は、決定木、ランダムフォレスト、Xgboostアルゴリズムを用いて設計されたハイブリッドスタックアンサンブル機械学習モデルを用いて分類される。
本研究は,ハイブリッドモデルを用いて静止位置を100%精度良く予測できることを示す。
生理的パラメータに基づいて安静位置を同定する方法は,ウェアラブルデバイスに組み込む可能性を秘めている。
これは、従来のポリソノグラフィー(睡眠モニタリング)や安静位置研究に使用されるRGBカメラを排除し、ユーザーのプライバシーを維持しつつ、身体の姿勢を監視するための低コストで高精度で自律的な技術である。
関連論文リスト
- SRPose: Two-view Relative Pose Estimation with Sparse Keypoints [51.49105161103385]
SRPoseは、カメラ・トゥ・ワールドおよびオブジェクト・トゥ・カメラシナリオにおける2ビュー相対ポーズ推定のためのスパースキーポイントベースのフレームワークである。
精度と速度の点で最先端の手法と比較して、競争力や優れた性能を達成する。
さまざまな画像サイズやカメラ固有の機能に対して堅牢であり、低コンピューティングリソースでデプロイすることができる。
論文 参考訳（メタデータ） (2024-07-11T05:46:35Z) - ShaRPy: Shape Reconstruction and Hand Pose Estimation from RGB-D with
Uncertainty [6.559796851992517]
本稿では,最初のRGB-D形状再構成システムであるShaRPyを提案する。
ShaRPyはパーソナライズされた手の形を近似し、デジタルツインのより現実的で直感的な理解を促進する。
キーポイント検出ベンチマークを用いてShaRPyを評価し,筋骨格疾患の能動モニタリングのための手機能評価の質的結果を示した。
論文 参考訳（メタデータ） (2023-03-17T15:12:25Z) - Pose-Oriented Transformer with Uncertainty-Guided Refinement for
2D-to-3D Human Pose Estimation [51.00725889172323]
本研究では,3次元ポーズ推定のための不確実性ガイド付き多目的変換器(POT)を提案する。
我々はまず,人骨のトポロジーを明示的に活用するために,新しいポーズ指向の自己注意機構と距離関連位置埋め込みを開発した。
本稿では,特に難解な関節に対するPOTからのポーズ予測を洗練させるために,不確実性誘導型リファインメントネットワーク(UGRN)を提案する。
論文 参考訳（メタデータ） (2023-02-15T00:22:02Z) - Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。
ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。
我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
論文 参考訳（メタデータ） (2022-11-22T11:34:51Z) - Sleep Posture One-Shot Learning Framework Using Kinematic Data
Augmentation: In-Silico and In-Vivo Case Studies [6.123523234813773]
睡眠姿勢は、夜行性クランプやより深刻な筋骨格障害などのいくつかの健康状態と関連している。
本稿では,最小限の関節角度測定に基づく睡眠姿勢分類のための新しい枠組みを提案する。
提案されたフレームワークは、合成データで100%、実データで92.7%の精度を約束し、文献で利用可能なアートデータハングリーアルゴリズムの状況に匹敵する精度を達成した。
論文 参考訳（メタデータ） (2022-05-22T09:06:42Z) - An optimized hybrid solution for IoT based lifestyle disease
classification using stress data [2.3909933791900326]
提案手法は、被験者の心電図(ECG)、ガルバニック皮膚値(GSV)、HRV値、体の動きを測定するテストを用いている。
開発したアプローチは、WASADデータセットを使用して、クラス不均衡問題に対処することができる。
論文 参考訳（メタデータ） (2022-04-04T05:52:48Z) - Posture Prediction for Healthy Sitting using a Smart Chair [0.0]
腰痛は筋骨格障害や腰痛のリスク因子として認識されている。
本研究は、人物の座位姿勢を分類するための機械学習モデルを構築する。
論文 参考訳（メタデータ） (2022-01-05T20:31:28Z) - Vogtareuth Rehab Depth Datasets: Benchmark for Marker-less Posture
Estimation in Rehabilitation [55.41644538483948]
本研究では,リハビリテーションを行う患者の深度画像と2次元ポーズ情報を含む2つのリハビリテーション特異的ポーズデータセットを提案する。
我々は、非リハブベンチマークデータセットに基づいてトレーニングされた、最先端のマーカーレス姿勢推定モデルを用いている。
私たちのデータセットは、リハビリ特有の複雑な姿勢を検出するために、ポーズモデルを訓練するのに使用できます。
論文 参考訳（メタデータ） (2021-08-23T16:18:26Z) - Temporal convolutional networks and transformers for classifying the
sleep stage in awake or asleep using pulse oximetry signals [0.0]
覚醒・睡眠中の睡眠段階をパルスオキシメータからのHR信号のみを用いて分類することを目的としたネットワークアーキテクチャを開発する。
トランスフォーマーはシーケンスをモデル化し、睡眠段階間の遷移ルールを学ぶことができる。
全体の正確性、特異性、感受性、およびコーエンのカッパ係数は90.0%, 94.9%, 78.1%, 0.73であった。
論文 参考訳（メタデータ） (2021-01-29T22:58:33Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z) - AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement
with Neural Searching [76.4844593082362]
既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。
総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
論文 参考訳（メタデータ） (2020-04-26T05:43:21Z)
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。