XiaoMi-AI文件搜索系统
World File Search System心率
自下而上和自上而下的注意过程对 COVID 相关刺激变化视盲的影响：心率变异性的影响
简介：自上而下的机制调节注意力控制，受任务需求和个人目标的影响，而自下而上的过程则受显著刺激的影响。类似的网络参与了这两个过程（例如，额叶纹状体区域）。然而，它们受到刺激的情绪显著性的影响不同，而情绪显著性决定了注意力的分配。本研究旨在确定最近的疫情经历是否继续对认知过程产生影响。为此，本研究将确定与负面和中性刺激相比，对疫情相关刺激的注意力偏见。此外，本研究将调查疫情相关刺激是否影响自上而下和自下而上的注意力过程，以及后者是否影响以心率变异性 (HRV) 为指标的自主神经控制。
心率预测的时间序列建模
摘要 —心血管疾病 (CVD) 是全球死亡的主要原因，需要精确的预测模型来监测心率、血压和心电图等生命体征。传统模型（如 ARIMA 和 Prophet）受到手动参数调整需求以及处理嘈杂、稀疏和高度可变的医疗数据的挑战的限制。本研究调查了先进的深度学习模型，包括 LSTM 和基于变压器的架构，用于预测来自 MIT-BIH 数据库的心率时间序列。结果表明，深度学习模型（尤其是 PatchTST）在多个指标上的表现明显优于传统模型，可以更有效地捕获复杂的模式和依赖关系。这项研究强调了深度学习在增强患者监测和 CVD 管理方面的潜力，表明其具有巨大的临床益处。未来的工作应该将这些发现扩展到更大、更多样化的数据集和现实世界的临床应用，以进一步验证和优化模型性能。索引词 —时间序列；ARIMA；LSTM；TimesNet；PatchTST；iTransformer
使用 Apple Watch 测量心率、热量和活动
本文回顾了 Apple Watch 的底层硬件和软件技术，这些技术可以测量心率、估算卡路里消耗量，并作为相关心脏健康和健身功能的基础。它首先详细介绍了光学心脏传感器的开发和验证。然后，它讨论了 Apple Watch 如何使用传感器融合和机器学习 (ML) 模型提供全天心率监测。本文探讨了 Apple Watch 上的卡路里测量方法，涵盖了估算全天卡路里消耗量的最佳实践。它解释了如何结合基于 ML 的活动分类模型，结合锻炼环境、心率、加速度、旋转、海拔和地理位置信号来增强热量测定模型。接下来，本文评估了不同锻炼类型中热量测定估计值的开发和验证，并详细介绍了传感器融合的方法以及它如何根据锻炼类型对信息进行优先排序。此外，它还研究了由心率和热量测定数据提供的各种健康和健身功能。最后，本文概述了访问 Apple Watch 提供的数据和功能的几种选项。
基于机器学习的预测，在使用IMU，心率和智能手表数据的户外娱乐过程中，基于机器学习的预测
背景：跑步提供了许多健康益处，但不幸的是，与跑步相关伤害的高风险（RRI），尤其是由于过度使用而导致的。疲劳监测方法，例如心肺运动测试（CPET）和乳酸浓度测量，对现实世界跑步条件是有效的，但不切实际。可穿戴传感器与新型机器学习（ML）算法相结合，为在现实的室外设置中进行连续实时的实时疲劳监测提供了有希望的替代方案。方法：十九个休闲跑者参加了这项研究 - 在第一实验部分中的第一和五。他们完成了三个不同的室外跑步课程：耐力，间隔和5公里的跑步。参与者配备了七个惯性测量单元（IMU），上面放置在胫骨，大腿，骨盆，胸骨和手腕上，以及心率监测器和智能手表，以收集运动学和生理数据。在第二个实验部分期间，在每次运行期间在特定点上使用感知的劳累（RPE）量表（0到10）的BORG等级测量疲劳，而在第一个实验部分中未收集此类反馈。一种随机的森林回归算法对第二个实验部分的已加工标记数据进行了训练，以每隔1秒的时间预测RPE。该模型是使用嵌套的一项受试者（LOSO）交叉验证框架开发的，并通过随机搜索进行了超参数调整。此机器学习框架被应用于选定的IMU传感器组合，以优化实用性并减少传感器设置。从第一个实验部分，在未标记的数据集上进一步验证了这些传感器配置的最佳模型。结果：单传感器配置（手腕）在RPE预测中达到了最佳性能，平均均方根误差（MSE）为1.89。两传感器设置（大腿）的MSE为2.26，而三个以上的传感器设置（胫骨，大腿和骨盆）记录了2.44的最高MSE。MSE为2.16的整体配置并没有胜过腕部传感器。在所有传感器配置中，耐力试验中的性能最高，然后进行间隔和5 km试验，5公里的试验显示了准确的预测最低的预测。结论：手腕单传感器配置达到了最佳性能，表现优于更复杂的多传感器设置。这些发现表明，更多的传感器不一定提高预测准确性，尤其是在稳定节奏的耐力运行中。未来的研究应着重于扩大样本量，整合更多的生物识别数据，并针对金标准疲劳评估方法（例如肌电图（EMG）和VO2 Max）验证该系统。
kid-ppg：知识了解从智能手表提取心率的深度学习
摘要 - 由于运动伪像和信号降解，从光电学（PPG）信号中准确提取心率（PPG）信号仍然具有挑战性。尽管经过数据驱动的推理概率培训的深度学习方法提供了有希望的解决方案，但他们通常不利于医疗和信号处理社区的知识。在本文中，我们解决了深度学习模型的三个缺点：删除运动伪像，降低评估以及对PPG信号的生理上合理的分析。我们提出了一个知识知情的深度学习模型Kid-PPG，通过自适应线性过滤，深层概率推断和数据增强来整合专家知识。我们在PPGDALIA数据集上评估了KID-PPG，达到平均平均绝对误差为每分钟2.85次，超过了现有的可重复方法。我们的结果表明，通过将先验知识纳入深度学习模式中，心率跟踪的表现显着改善。这种方法通过将现有的专家知识纳入深度学习模型中，可以增强各种生物医学应用。
基于心率的远程吸烟状态的可接受性。
简介：数字干预措施提出了一种可扩展的解决方案，以克服戒烟治疗的障碍，而静息心率（HR）的变化可能会提供可行的选择，以远程监测吸烟状态。这项研究的目的是探索使用智能手机摄像机和活动跟踪器的可接受性，以测量用于戒烟干预措施的心率。方法：通过无烟应用程序招募了参与者（n = 410），其中大多数被识别为女性（75.8％），平均年龄为38.3岁（SD 11.4）。他们将使用智能手机摄像头和戴腕式设备进行人力资源监控的感知舒适性，便利性和可能性评价为客观的戒烟。Wilcoxon签名的额定测试和Kruskal-Wallis测试评估了设备类型可接受性的差异，以及参与者是否拥有活动跟踪器/智能手表还是智能手机。结果：参与者报告了两种HR监控方法的高度可接受性，与智能手机摄像机相比，活动跟踪器/智能手表的评分更高。参与者表示，在智能手机摄像头上使用活动跟踪器/智能手表的可能性明显更大。参与者将活动跟踪器/智能手表视为比智能手机摄像机更可接受的（87.0％比50.0％）。结论：在有兴趣戒烟的人中，通过智能手机摄像机和戴上腕上的设备进行人力资源监测是可以接受的。腕上戴的设备，这是优选的，这表明它们是一种可扩展的，用户友好的方法，用于远程监测吸烟状态。这些发现支持在戒烟研究和干预措施中进一步探索和实施人力资源监测技术的必要性。
大脑皮层和皮层下网络预测当前心率
摘要 静息心率可能会增加患心血管疾病 (CVD) 和其他不良心血管事件的风险。虽然脑干对心率的自主控制已得到充分证实，但人们对高级皮质和皮质下大脑区域的调节作用知之甚少，尤其是在人类中。这项研究试图描述预测健康成年人普遍心率变化的大脑网络。我们使用专为复杂、高维数据集设计的机器学习方法，从 fMRI 测量的全脑血流动力学信号中预测瞬时心动周期 (心跳间隔) 的变化。基于任务和静息状态的 fMRI 以及外周生理记录取自两个包含个体内大量重复测量的数据组。我们的模型能够可靠地从个体内和个体间的全脑 fMRI 数据中预测瞬时心动周期，在参与者内部测量时预测准确率最高。我们发现，皮层和皮层下脑区网络（其中许多与内脏运动和内脏感觉过程相关）是心动周期变化的可靠预测因素。这为脑-心相互作用提供了更多证据，并朝着开发临床适用的脑对心血管疾病风险贡献的生物标记物迈出了一步。
弯腰驼背对医学生心率变异性和心血管健康的影响
背景：医学生经常采取不良姿势，例如弯腰驼背，可能会影响健康。心率变异性（HRV）是自主神经系统功能的指标，与心血管健康相关。目的和目标：本研究的目的是比较医学生在三种姿势下的 HRV 参数：端坐、轻松姿势（盘腿）和弯腰驼背（低头和弯肩）。材料和方法：一项比较横断面研究招募了 26 名男医学生。要求参与者保持每个姿势 5 分钟，同时使用 Polar V800 记录 HRV。使用 Friedman 检验和事后检验进行成对比较，分析了不同姿势之间的时域和频域参数。P<0.05 被认为具有显著性。数据以中位数四分位距表示。结果：不同姿势之间的 HRV 参数存在显著差异。轻松姿势下连续 RR 间隔差的均方根中值（48.28 毫秒 vs. 35.35 毫秒）和 pNN50% 中值（24.40% vs. 13.62%）明显高于懒散姿势。频域分析显示，轻松姿势下高频 (HF) 功率中值（626.56 毫秒² vs. 378.15 毫秒²）和 HF 标准化单位（33.78 vs. 22.55）明显高于懒散姿势。轻松姿势下低频 (LF)/HF 比率较低（1.96 vs. 3.43）和 LF 标准化单位较低（66.18 vs. 77.30）。虽然统计上并不显著，但与懒散姿势相比，直立坐姿下 HRV 的副交感神经指标更高。结论：对于医学生来说，采取轻松的姿势（盘腿而坐）似乎可以增强 HRV，从而增加副交感神经活动，而采取懒散的姿势则会降低 HRV。
产前胎儿心率（FHR）监测
唯一的标识符NMP200/SSM/108- V02.00文件类型临床指南的违规临床指南可能会对患者/健康NZ功能临床实践造成重大伤害，患者护理用户组（S）TOKA TOKA TOKA TOMAI AUCKLAND OUCKLAND仅•SHOPARY•HEAMPARY NEW ZEALAND | Te Toka Tumai Auckland•妇女健康局•S）产妇•用于哪些患者？所有在妇女卫生服务中审查或录取的产妇患者•使用哪个员工？孕妇的临床医生包括访问持有人铅孕妇护理人员（LMC）•排除的关键字心脏摄影（CTG）胎儿心脏监控dawes dawes dawes dawes redman作者作者孕妇产质量和安全领导者授权•所有者服务临床总监 - 中学孕妇服务•中学校长•中学校长ISSIDER -ISSIDER ISSIDER -ISSITY 4S ISSERTIND -DORSESS 4 9月20日在10月10日ed ISSIDED 10. NESSERTIDED DISSERDIDES 4SISTER -DOSSITED DORSESTIED DOMESTIDED 10. N. 9月10日，以10月20日ed Dipssite disteriped 10 2.查看频率3年度