論文の概要: PulseFi: A Low Cost Robust Machine Learning System for Accurate Cardiopulmonary and Apnea Monitoring Using Channel State Information

• arxiv url: http://arxiv.org/abs/2510.24744v1
• Date: Wed, 15 Oct 2025 22:53:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 05:35:46.003572
• Title: PulseFi: A Low Cost Robust Machine Learning System for Accurate Cardiopulmonary and Apnea Monitoring Using Channel State Information
• Title（参考訳）: PulseFi:チャネル状態情報を用いた正確な心肺・無呼吸モニタリングのための低コストロバスト機械学習システム
• Authors: Pranay Kocheta, Nayan Sanjay Bhatia, Katia Obraczka,
• Abstract要約: 我々は、Wi-Fiセンサーと人工知能を使ってバイタルサインをモニターする、新しい低コストな非侵入システムPulseFiを提案する。 PulseFiは低価格のコモディティデバイスを使っており、よりアクセシブルで費用対効果が高い。 以上の結果から,PulseFiは非侵襲的に心拍数と呼吸速度を効果的に推定できることが示唆された。
• 参考スコア（独自算出の注目度）: 2.236663830879273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-intrusive monitoring of vital signs has become increasingly important in a variety of healthcare settings. In this paper, we present PulseFi, a novel low-cost non-intrusive system that uses Wi-Fi sensing and artificial intelligence to accurately and continuously monitor heart rate and breathing rate, as well as detect apnea events. PulseFi operates using low-cost commodity devices, making it more accessible and cost-effective. It uses a signal processing pipeline to process Wi-Fi telemetry data, specifically Channel State Information (CSI), that is fed into a custom low-compute Long Short-Term Memory (LSTM) neural network model. We evaluate PulseFi using two datasets: one that we collected locally using ESP32 devices and another that contains recordings of 118 participants collected using the Raspberry Pi 4B, making the latter the most comprehensive data set of its kind. Our results show that PulseFi can effectively estimate heart rate and breathing rate in a seemless non-intrusive way with comparable or better accuracy than multiple antenna systems that can be expensive and less accessible.
• Abstract（参考訳）: 様々な医療環境において, バイタルサインの非侵襲的モニタリングがますます重要になっている。 本稿では,Wi-Fiセンサと人工知能を用いて心拍数と呼吸速度を正確にかつ連続的にモニタリングし,無呼吸現象を検出する,新しい低コスト非侵襲システムであるPulseFiを提案する。 PulseFiは低価格のコモディティデバイスを使っており、よりアクセシブルで費用対効果が高い。 信号処理パイプラインを使用して、Wi-Fiテレメトリデータ、特にChannel State Information(CSI)を処理する。 ESP32デバイスを用いてローカルに収集したPulseFiとRaspberry Pi 4Bを用いて収集した118人の参加者の記録を含むPulseFiの2つのデータセットを用いてPulseFiを評価する。 以上の結果から、PulseFiは、安価でアクセスし難い複数のアンテナシステムと比較して、非侵襲的な方法で効果的に心拍数と呼吸速度を推定できることが示唆された。

関連論文リスト

• Prototyping an End-to-End Multi-Modal Tiny-CNN for Cardiovascular Sensor Patches [35.899401205042615]
  本稿では、バイナリ分類問題を解決するために、データの早期融合を伴う畳み込みニューラルネットワークを提案する。 提案手法は,最先端技術と比較してメモリフットプリントと計算コストを3桁削減する。
  論文  参考訳（メタデータ） (2025-10-21T14:23:20Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Low-cost Embedded Breathing Rate Determination Using 802.15.4z IR-UWB Hardware for Remote Healthcare [2.6066253940276347]
  本稿では,超広帯域(UWB)チャネルインパルス応答(CIR)データから呼吸速度を予測するための畳み込みニューラルネットワーク(CNN)を提案する。 46KBのメモリを必要とするnRF52840システムにアルゴリズムをデプロイし,192msの推論時間で動作可能であることを示す。
  論文  参考訳（メタデータ） (2025-04-03T07:54:25Z)
• Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
  我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。 その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。 今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
  論文  参考訳（メタデータ） (2024-12-17T18:07:40Z)
• Knowledge-Distilled Graph Neural Networks for Personalized Epileptic Seizure Detection [43.905374104261014]
  そこで,本研究では,全電極から得られたデータに基づいて訓練された高度感応検知器(教師と呼ぶ)から知識を伝達し,新しい検出器(学生と呼ぶ)を学習するための新しい知識蒸留手法を提案する。 どちらも軽量な実装を提供しており、脳波を記録するのに必要な電極の数を大幅に削減している。 以上の結果から,脳波の少ない症例では,知識蒸留とパーソナライゼーションの両方が,発作検出の性能向上に重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-03T15:37:40Z)
• PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal Imputation [54.839600943189915]
  モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。 豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。 このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
  論文  参考訳（メタデータ） (2022-12-14T21:39:15Z)
• Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian Detection [99.94079901071163]
  本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。 我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。 我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
  論文  参考訳（メタデータ） (2020-04-03T17:36:26Z)
• Super Low Resolution RF Powered Accelerometers for Alerting on Hospitalized Patient Bed Exits [3.2654923574107357]
  転倒は重篤な結果であり、高齢者を介護する急性病院や老人ホームで流行している。転倒のリスクを軽減するための技術介入は、自動でベッドからのイベントを監視し、医療従事者にタイムリーな監視を提供するよう警告する。 患者活動に関連する周波数領域情報は, 主に低頻度で存在している。 無線周波数識別(RFID)技術を用いた電池レスセンシング方式について検討し,病院ガウンなどの衣服への便利な統合の可能性について検討した。
  論文  参考訳（メタデータ） (2020-03-19T00:58:30Z)
• Convolutional-Recurrent Neural Networks on Low-Power Wearable Platforms for Cardiac Arrhythmia Detection [0.18459705687628122]
  マイクロコントローラと低消費電力プロセッサで動作するニューラルネットワークの推論に焦点を当てる。 心不整脈を検出・分類するために既存の畳み込みリカレントニューラルネットワークを適用した。 メモリフットプリントは195.6KB、スループットは33.98MOps/sである。
  論文  参考訳（メタデータ） (2020-01-08T10:35:48Z)

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。