論文の概要: Hand-breathe: Non-Contact Monitoring of Breathing Abnormalities from Hand Palm

• arxiv url: http://arxiv.org/abs/2212.06089v1
• Date: Mon, 12 Dec 2022 18:02:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 18:25:25.687428
• Title: Hand-breathe: Non-Contact Monitoring of Breathing Abnormalities from Hand Palm
• Title（参考訳）: ハンドブレアテ:手のひらからの呼吸異常の非接触モニタリング
• Authors: Kawish Pervez, Waqas Aman, M. Mahboob Ur Rahman, M. Wasim Nawaz, Qammer H. Abbasi
• Abstract要約: 19年後の世界では、無線周波数(RF)ベースの非接触法が、人間の生命体のインテリジェントなリモートセンシングの候補として期待されている。 この研究は、USRP(Universal Software Radio peripherals)ベースのSDRと古典的な機械学習(ML)手法を用いて、異なる呼吸異常を監視する非接触法を設計する。
• 参考スコア（独自算出の注目度）: 0.5799785223420273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In post-covid19 world, radio frequency (RF)-based non-contact methods, e.g., software-defined radios (SDR)-based methods have emerged as promising candidates for intelligent remote sensing of human vitals, and could help in containment of contagious viruses like covid19. To this end, this work utilizes the universal software radio peripherals (USRP)-based SDRs along with classical machine learning (ML) methods to design a non-contact method to monitor different breathing abnormalities. Under our proposed method, a subject rests his/her hand on a table in between the transmit and receive antennas, while an orthogonal frequency division multiplexing (OFDM) signal passes through the hand. Subsequently, the receiver extracts the channel frequency response (basically, fine-grained wireless channel state information), and feeds it to various ML algorithms which eventually classify between different breathing abnormalities. Among all classifiers, linear SVM classifier resulted in a maximum accuracy of 88.1\%. To train the ML classifiers in a supervised manner, data was collected by doing real-time experiments on 4 subjects in a lab environment. For label generation purpose, the breathing of the subjects was classified into three classes: normal, fast, and slow breathing. Furthermore, in addition to our proposed method (where only a hand is exposed to RF signals), we also implemented and tested the state-of-the-art method (where full chest is exposed to RF radiation). The performance comparison of the two methods reveals a trade-off, i.e., the accuracy of our proposed method is slightly inferior but our method results in minimal body exposure to RF radiation, compared to the benchmark method.
• Abstract（参考訳）: ポストコビッド19の世界では、無線周波数(RF)ベースの非接触手法、例えばソフトウェア定義無線(SDR)ベースの手法が、人間のバイタルをインテリジェントにリモートセンシングするための候補として浮上し、コビッド19のような伝染性ウイルスを封じ込めている。 そこで本研究では,usrp(universal software radio peripherals)ベースのsdrと古典的機械学習(ml)法を用いた非接触型呼吸異常監視法を提案する。 提案手法では,送信アンテナと受信アンテナの間にあるテーブルに手を置くとともに,直交周波数分割多重化(ofdm)信号が手を通過する。 その後、受信機はチャネル周波数応答(基本的、微細な無線チャネル状態情報)を抽出し、様々なMLアルゴリズムに供給し、最終的に異なる呼吸異常を分類する。 すべての分類器のうち、線形svm分類器は最大精度88.1\%であった。 ML分類器を教師付きで訓練するために,実験室環境における4被験者のリアルタイム実験によりデータ収集を行った。 ラベル生成の目的で、被験者の呼吸は正常、速、低呼吸の3つのクラスに分類された。 さらに,提案手法(手のみをRF信号に曝す方法)に加えて,最先端手法(完全胸部をRF放射に曝す方法)の実装と試験を行った。 両手法の性能比較の結果,提案手法の精度はわずかに劣るが,本手法ではRF照射による被曝が最小限に抑えられるというトレードオフが示された。

関連論文リスト

• A Computational Harmonic Detection Algorithm to Detect Data Leakage through EM Emanation [0.08192907805418582]
  EMエマニュエーション(EMエマニュエーション)として知られる電子機器からの意図しない電磁放射は、重大なセキュリティリスクを引き起こす。 防衛組織は通常、データ漏洩を防ぐために金属遮蔽を使用するが、このアプローチはコストが高く、広く使われるには実用的ではない。 本稿では,高調波検出装置の開発による高調波検出手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T14:40:15Z)
• Robust CNN-based Respiration Rate Estimation for Smartwatch PPG and IMU [2.206233030459147]
  呼吸速度 (RR) は、心臓血管疾患や睡眠障害などの様々な疾患の指標である。 既存のRR推定手法は、自由生活条件下で手首領域からPSGデータを収集する際に、RRを正確に抽出するのに苦労する。 本稿では、PPG、加速度計、ジャイロスコープ信号からRRを抽出するための畳み込みニューラルネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-10T15:15:46Z)
• Score-based Source Separation with Applications to Digital Communication Signals [72.6570125649502]
  拡散モデルを用いた重畳音源の分離手法を提案する。 高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。 提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
  論文  参考訳（メタデータ） (2023-06-26T04:12:40Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Omni-frequency Channel-selection Representations for Unsupervised Anomaly Detection [11.926787216956459]
  本稿では,周波数を考慮した新しいOmni- frequency Channel-Selection Reconstruction (OCR-GAN) ネットワークを提案する。 提案手法は, 再建ベースラインを+38.1, 現行のSOTA法を+0.3に大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-01T06:35:15Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Inferring proximity from Bluetooth Low Energy RSSI with Unscented Kalman Smoothers [0.0]
  本稿では, RSSI 値の任意の配列から後部確率を推定する手法を提案する。 この結果から,実世界のデータセット上での$mathcalO(n)$時間で良好なリスク予測が達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-07-09T20:47:02Z)

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。