Loading...
机构名称:
¥ 1.0

摘要这项研究介绍了针对光插曲(PPG)信号量身定制的生成预训练的变压器(GPT)模型的新应用,它是各种下游任务的基础模型。适应标准的GPT档案以适合PPG信号的连续特征,我们的方法证明了有希望的结果。在我们的广泛数据集进行了预先培训后,该数据集包含超过200 mil的30 s PPG样品后,该模型显示了在诸如心率估计等任务中的绩效组合或超过当前最新的(SOTA)。我们的GPT模型的出色功能是其固有的能力,可以有效执行信号denoing,而无需进一步填充。此成功归因于GPT框架的生成性质。展望未来,我们旨在进一步探索其生成能力,并研究其对其他下游任务的影响。

gpt -ppg.pdf -Emory计算机科学

gpt -ppg.pdf -Emory计算机科学PDF文件第1页

gpt -ppg.pdf -Emory计算机科学PDF文件第2页

gpt -ppg.pdf -Emory计算机科学PDF文件第3页

gpt -ppg.pdf -Emory计算机科学PDF文件第4页

gpt -ppg.pdf -Emory计算机科学PDF文件第5页