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
在过去几十年中,遗传学领域的抽象主要发展已经彻底改变了人们对成为人类意味着什么的观念。尽管目前在世界各地只有几个人口进行狩猎和收集生活方式,但这种自给自足的方式已经使我们物种的成员起源以来,使我们能够在整个地球上迁移。因此,猎人的地理分布 - 收集者人群,对本地生态系统的依赖以及与过去人群和相邻群体的联系为我们的进化起源提供了独特的见解。但是,鉴于猎人的脆弱地位 - 全球收集者,人类学遗传学领域的发展要求我们重新评估我们如何与这些社区进行研究。在这里,我们回顾了亨特(Hunter)在遗传学研究中的包含 - 如何加入我们对人类起源,古代种群迁移和相互作用以及表型适应和对不同环境的适应性的理解,以及这些进步的重要科学和医学应用。同时,我们强调了解决尚未解决的问题的必要性,并确定该领域可以从改进中受益的领域。