XiaoMi-AI文件搜索系统
World File Search System心率
ALPINE：利用对比学习改进远程心率估计
心率 (HR) 是人体健康的重要生理指标，可用于检测心血管疾病。传统的 HR 估计方法，例如心电图 (ECG) 和光电容积描记器，需要皮肤接触。由于皮肤接触会增加病毒感染的风险，在正在发生的 COVID-19 大流行中避免使用这些方法。或者，可以使用非接触式 HR 估计技术，即远程光电容积描记器 (rPPG)，其中 HR 是根据人的面部视频估计的。不幸的是，现有的 rPPG 方法在面部变形的情况下表现不佳。最近，用于 rPPG 的深度学习网络激增。然而，这些网络需要大规模标记数据才能更好地泛化。为了缓解这些缺点，我们提出了一种方法 ALPINE，即一种新的 L r P PG 技术，用于使用对比学习来改进远程心率估计。 ALPINE 在训练过程中利用对比学习框架来解决标记数据有限的问题，并在数据样本中引入多样性以实现更好的网络泛化。此外，我们引入了一种新颖的混合损失，包括对比损失、信噪比 (SNR) 损失和数据保真度损失。我们的新颖对比损失最大化了来自不同面部区域的 rPPG 信息之间的相似性，从而最大限度地减少了局部噪声的影响。SNR 损失提高了时间信号的质量，数据保真度损失确保提取正确的 rPPG 信号。我们在公开数据集上进行的大量实验表明，所提出的方法 ALPINE 优于以前众所周知的 rPPG 方法。
血液友善儿童的心率变异性和QT变化
先天性心脏病是出生时出现的心脏异常。抗烷虫先天性心脏病患者的患者最多，包括患有心房间隔缺陷（ASD）和心室间隔缺陷（VSD）的患者。这种情况的心脏手术涉及肺部旁通机（CPB），可引起炎症反应。 氯胺酮是一种麻醉剂，通过抑制炎症细胞因子的合成来发挥抗炎作用。 这项研究旨在证明氯胺酮对接受心肺旁通机接受心脏手术的患者的炎症细胞因子的减少。 这项研究采用了准实验分析方法。 建立了两个研究组：A组（n = 3）接收到芬太尼，而B组（n = 7）在心肺旁路机（CPB）运行之前和之后接收了氯胺酮。 血液样本是在诱导麻醉之前和从患者中移除CPB装置后一小时收集的。 这项研究利用Mann-Whitney检验评估两组之间的白介素-6（IL-6）和肿瘤坏死因子-Alpha（TNF-α）水平的差异。 发现A组的TNF-α水平为9.97±1.84，IL-6水平为29.30±6.33。 B组显示出10.57±4.33和IL-6值的TNF-α水平为26.36±12.16。 两组的测试结果均显示TNF-α水平（p = 0.569）和IL-6水平（p = 0.819）没有显着差异。这种情况的心脏手术涉及肺部旁通机（CPB），可引起炎症反应。氯胺酮是一种麻醉剂，通过抑制炎症细胞因子的合成来发挥抗炎作用。这项研究旨在证明氯胺酮对接受心肺旁通机接受心脏手术的患者的炎症细胞因子的减少。这项研究采用了准实验分析方法。建立了两个研究组：A组（n = 3）接收到芬太尼，而B组（n = 7）在心肺旁路机（CPB）运行之前和之后接收了氯胺酮。血液样本是在诱导麻醉之前和从患者中移除CPB装置后一小时收集的。这项研究利用Mann-Whitney检验评估两组之间的白介素-6（IL-6）和肿瘤坏死因子-Alpha（TNF-α）水平的差异。发现A组的TNF-α水平为9.97±1.84，IL-6水平为29.30±6.33。B组显示出10.57±4.33和IL-6值的TNF-α水平为26.36±12.16。两组的测试结果均显示TNF-α水平（p = 0.569）和IL-6水平（p = 0.819）没有显着差异。本研究的发现表明，使用CPB机器后，氯胺酮给药并未降低IL-6和TNF-Alpha的水平。
使用有趣的电流进行有针对性的心率控制
简称 FUNNY 试验 赞助商 伦敦玛丽女王大学 赞助商联系人 Mays Jawad 博士 研究与开发治理运营经理 Mile End Road London E1 4NS 电话：+44 (0)20 7882 7275 电子邮件：research.governance@qmul.ac.uk IRAS 参考 1003561 赞助商编号 012663 EudraCT 编号 2020-002099-11 首席研究员 Gareth Ackland 教授 围手术期医学教授 转化医学与治疗学（218A） 巴茨和伦敦医学和牙科学院威廉哈维研究所，QMUL 约翰瓦恩科学中心，Charterhouse Square London，EC1M 6BQ 电话：+44 (0)20 7882 2100 电子邮件：g.ackland@qmul.ac.uk 中央实验室 医生实验室 60 Whitfield Street London W1T 4EU 电话：(0)20 7307 7315
通过自我改进来改进基于 PPG 的心率估计...
摘要 — 根据光电容积描记法 (PPG) 信号估计心率 (HR) 是现代可穿戴设备用于健康和保健监测的一个关键功能。虽然深度学习模型很有前景，但它们的性能依赖于大型数据集的可用性。我们提出了 EnhancePPG，这是一种通过将自监督学习与数据增强 (DA) 相结合来增强最先进模型的方法。我们的方法将自监督预训练与 DA 相结合，使模型能够学习更多可推广的特征，而无需更多标记数据。受类似 U-Net 的自动编码器架构的启发，我们利用无监督 PPG 信号重建，利用预训练阶段的大量未标记数据并结合数据增强来提高最先进模型的性能。得益于我们的方法和对最先进模型的最小修改，我们将最佳心率估计提高了 12.2%，将 PPG-DaLiA 上的误差从 4.03 BPM 降低到 3.54 BPM。重要的是，我们的 EnhancePPG 方法专注于所选深度学习模型的训练，而不会显著增加其推理延迟。索引术语 — 深度学习、心率监测、光电容积描记法、预训练、增强
从视频中提取心率的隐式神经模型
患有幻觉，从而降低了普遍性。直接应用先前的 INR 无法弥补这种信号强度不足，因为它们既适合信号也适合干扰因素。在这项工作中，我们引入了一个 INR 框架来增加这种体积描记器信号强度。具体来说，我们利用架构来实现选择性表示能力。我们能够将面部视频分解为血液体积描记器组件和面部外观组件。通过从该血液成分推断体积描记器信号，我们在分布外样本上展示了最先进的性能，而不会牺牲分布内样本的性能。我们在定制的多分辨率哈希编码主干上实现了我们的框架，通过比传统 INR 快 50 倍的速度实现实用的数据集规模表示。我们还提供了一个光学上具有挑战性的分布外场景的数据集，以测试对真实场景的泛化。代码和数据可以在 https://implicitppg.github.io/ 找到。
评估Garmin的压力水平评分相对于心率...
1个神经生物学，生物化学与生物物理学，特拉维夫大学生命科学学院，特拉维夫69978，以色列2 Sagol School of Neuroscience，特拉维夫大学，P.O。框39040，特拉维夫6997801，以色列3部，护理，社会福利与健康科学学院，以色列海法大学，海法大学 *通信：hadarro1@gmail.com;抽象的每日压力源会引起影响健康，认知和行为的生理和心理反应。 尽管进行了广泛的研究，尽管腕上磨损的设备有可能通过远程数据收集来解决这一差距，尽管进行了广泛的研究，但在自然环境中的应力反应仍然具有挑战性。 Garmin Fitness Tracker提供的压力得分很大程度上基于HRV，必须在研究中使用之前对其进行验证。 这项研究旨在评估Garmin Vivosmart 4对HR和HRV的应力得分，这些HR和HRV来自Polar H10胸带得出的ECG记录。 进行了29名参与者的试点研究，然后进行了功率计算和主要研究的预注册，其中包括60名参与者。 在实验室会议上，同时从两个设备中收集了数据，并进行了精神压力诱导的任务。 Garmin的应力得分，平均HR，SD2/SD1和HF功率在压力和休息条件之间表现出显着差异。 此外，Garmin的压力得分与HR，RMSSD和SD2/SD1显着相关。 我们的发现表明，对精神压力的生理反应受到性和补品HRV的影响。，护理，社会福利与健康科学学院，以色列海法大学，海法大学 *通信：hadarro1@gmail.com;抽象的每日压力源会引起影响健康，认知和行为的生理和心理反应。尽管进行了广泛的研究，尽管腕上磨损的设备有可能通过远程数据收集来解决这一差距，尽管进行了广泛的研究，但在自然环境中的应力反应仍然具有挑战性。 Garmin Fitness Tracker提供的压力得分很大程度上基于HRV，必须在研究中使用之前对其进行验证。 这项研究旨在评估Garmin Vivosmart 4对HR和HRV的应力得分，这些HR和HRV来自Polar H10胸带得出的ECG记录。 进行了29名参与者的试点研究，然后进行了功率计算和主要研究的预注册，其中包括60名参与者。 在实验室会议上，同时从两个设备中收集了数据，并进行了精神压力诱导的任务。 Garmin的应力得分，平均HR，SD2/SD1和HF功率在压力和休息条件之间表现出显着差异。 此外，Garmin的压力得分与HR，RMSSD和SD2/SD1显着相关。 我们的发现表明，对精神压力的生理反应受到性和补品HRV的影响。尽管进行了广泛的研究，但在自然环境中的应力反应仍然具有挑战性。Garmin Fitness Tracker提供的压力得分很大程度上基于HRV，必须在研究中使用之前对其进行验证。这项研究旨在评估Garmin Vivosmart 4对HR和HRV的应力得分，这些HR和HRV来自Polar H10胸带得出的ECG记录。进行了29名参与者的试点研究，然后进行了功率计算和主要研究的预注册，其中包括60名参与者。在实验室会议上，同时从两个设备中收集了数据，并进行了精神压力诱导的任务。Garmin的应力得分，平均HR，SD2/SD1和HF功率在压力和休息条件之间表现出显着差异。此外，Garmin的压力得分与HR，RMSSD和SD2/SD1显着相关。我们的发现表明，对精神压力的生理反应受到性和补品HRV的影响。研究表明，GSS表明了精神压力，其可及性和无创性有望在各种研究领域中广泛使用。
Q-PPG：可穿戴设备上基于节能 PPG 的心率监测
摘要 — 使用低成本光电容积描记法 (PPG) 传感器，越来越多地在腕戴式设备中执行心率 (HR) 监测。然而，由受试者手臂运动引起的运动伪影 (MA) 会影响基于 PPG 的心率跟踪的性能。这通常通过将 PPG 信号与惯性传感器的加速度测量相结合来解决。不幸的是，大多数此类标准方法都依赖于手动调整的参数，这会削弱它们的泛化能力及其对现场真实数据的适用性。相比之下，基于深度学习的方法尽管具有更好的泛化能力，但被认为过于复杂，无法部署在可穿戴设备上。在这项工作中，我们解决了这些限制，提出了一种设计空间探索方法来自动生成丰富的深度时间卷积网络 (TCN) 系列用于心率监测，所有这些网络都来自单个“种子”模型。我们的流程涉及两个神经架构搜索 (NAS) 工具和一个硬件友好的量化器的级联，它们的组合可以产生高度准确和极其轻量级的模型。在 PPG-Dalia 数据集上进行测试时，我们最准确的模型在平均绝对误差方面创下了新的最高水平。此外，我们将 TCN 部署在具有 STM32WB55 微控制器的嵌入式平台上，证明了它们适合实时执行。我们最准确的量化网络实现了 4.41 每分钟 (BPM) 的平均绝对误差 (MAE)，能耗为 47.65 mJ，内存占用为 412 kB。同时，在我们的流程生成的网络中获得 MAE < 8 BPM 的最小网络的内存占用为 1.9 kB，每次推理仅消耗 1.79 mJ。
探索睡眠心率变异性：线性、非线性和昼夜节律视角
结果：在线性分析的频率分析中，睡眠期间的副交感神经指数 nHF 明显高于平均 24 小时周期（平均睡眠 HRV [标准差] vs. 平均 24 小时 [标准差]，95% 置信区间，p 值，r 系列：0.24 [0.057] vs. 0.23 [0.045]，0.006–0.031，p = 0.005，r = 0.49）。关于时间域分析，副交感神经指数 SDNN 和 RMSSD 在睡眠期间也明显较高（SDNN：179.7 [66.9] vs. 156.6 [53.2]，14.5–31.7，p < 0.001，r = 0.71 RMSSD：187.0 [74.0] vs. 165.4 [62.2]，13.2–30.0，p < 0.001，r = 0.70）。在非线性分析的几何方法中，副交感神经指数 SD1 和 SD2 在睡眠期间显示出明显更高的值（SD1：132.4 [52.4] vs. 117.1 [44.0]，9.3–21.1，p < 0.001，r = 0.70 SD2：215.0 [80.5] vs. 185.9 [62.0]，17.6–40.6，p < 0.001，r = 0.69）。此外，副交感神经指数 SDNN、RMSSD、SD1 和 SD2 的昼夜节律项目在睡眠期间呈现正峰值。
使用信号处理和机器学习高效直接地推断心率变异性
摘要 心率变异性 (HRV) 测量连续心跳之间时间的变化，是身心健康的主要指标。最近的研究表明，光电容积描记法 (PPG) 传感器可用于推断 HRV。然而，许多先前的研究具有较高的错误率，因为它们仅采用了信号处理或机器学习 (ML)，或者因为它们间接推断 HRV，或者因为缺乏大型训练数据集。许多先前的研究可能还需要大型 ML 模型。低准确度和大模型尺寸限制了它们在小型嵌入式设备和未来医疗保健领域的潜在应用。为了解决上述问题，我们首先收集了一个大型 PPG 信号和 HRV 基本事实数据集。利用该数据集，我们开发了结合信号处理和 ML 来直接推断 HRV 的 HRV 模型。评估结果表明，我们的方法的误差在 3.5% 到 25.7% 之间，并且优于仅使用信号处理和仅使用 ML 的方法。我们还探索了不同的 ML 模型，结果表明决策树和多层感知器的平均错误率分别为 13.0% 和 9.1%，模型最多为数百 KB，推理时间少于 1 毫秒。因此，它们更适合小型嵌入式设备，并有可能在未来实现基于 PPG 的 HRV 监测在医疗保健领域的应用。
通过心率时间序列的递归量化分析自动检测有氧阈值
摘要：在强度不断增加的运动过程中，人体会根据实际需求通过不同的机制转换能量。人体的能量利用可分为三个阶段，每个阶段的特点是不同的代谢过程，并由两个阈值点分隔，即有氧阈值 (AerT) 和无氧阈值 (AnT)。这些阈值在确定的运动强度 (工作量) 值时发生，并且会因人而异。它们被视为运动能力的指标，可用于个性化体育活动计划。它们通常通过通气或代谢变量检测，需要昂贵的设备和侵入性测量。最近，人们特别关注 AerT，这是一个特别适用于超重和肥胖人群的参数，可用于确定减肥和增强体质的最佳运动强度。本研究旨在提出一种新程序，使用复发分析 (RQA) 自动识别 AerT，该程序仅依赖心率时间序列，该时间序列是从一群年轻运动员在自行车功率计上进行亚最大增量运动测试 (心肺运动测试, CPET) 期间获得的。我们发现，确定性最小值（根据时期复发量化 (RQE) 方法计算出的 RQA 特征）可识别发生一般代谢转变的时间点。在这些转变中，基于确定性最小值的最大凸度的标准可以检测到第一个代谢阈值。普通最小积回归分析表明，RQA 估计的与 AerT 相对应的耗氧量 VO 2 、心率 (HR) 和工作量的值与 CPET 估计的值高度相关 (r > 0.64)。 HR 和 VO2 的平均百分比差异均小于 2%，工作负荷的平均百分比差异小于 11%。AerT 时 HR 的技术误差小于 8%；AerT 时所有变量的组内相关系数值均适中（≥ 0.66）。因此，该系统是一种仅依靠心率时间序列检测 AerT 的有用方法，一旦针对不同活动进行了验证，将来就可以轻松应用于从便携式心率监测器获取数据的应用中。