Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

Pulse-PPG: Mô hình nền tảng PPG được đào tạo thực địa nguồn mở dành cho các ứng dụng đeo được trong phòng thí nghiệm và thực địa

Created by
  • Haebom

Tác giả

Mithun Saha, Maxwell A. Xu, Muốn Mao, Sameer Neupane, James M. Rehg, Santosh Kumar

Phác thảo

Trong bài báo này, chúng tôi trình bày Pulse-PPG, mô hình dựa trên PPG nguồn mở đầu tiên được đào tạo hoàn toàn trên dữ liệu PPG thô thu thập được trong quá trình nghiên cứu thực địa kéo dài 100 ngày với 120 người tham gia. Các mô hình dựa trên PPG hiện có là nguồn mở, nhưng được đào tạo trên dữ liệu lâm sàng hoặc độc quyền, hạn chế khả năng ứng dụng của chúng trong môi trường thực tế. Pulse-PPG được đánh giá trên nhiều tập dữ liệu và tác vụ phụ, và được so sánh với các mô hình cơ sở hiện đại được đào tạo trên dữ liệu lâm sàng. Kết quả của chúng tôi cho thấy Pulse-PPG được đào tạo trên dữ liệu thực địa thô thể hiện khả năng khái quát hóa tuyệt vời trên các ứng dụng y tế di động và lâm sàng trong cả môi trường phòng thí nghiệm và thực địa. Điều này cho thấy việc tiếp xúc với biến động trong thế giới thực cho phép các mô hình học các biểu diễn chi tiết, giúp chúng thích ứng tốt hơn với các tác vụ. Hơn nữa, việc đào tạo trước trên dữ liệu thực địa có hiệu suất vượt trội đáng ngạc nhiên so với đào tạo trước trên dữ liệu lâm sàng trong nhiều tác vụ, điều này nhấn mạnh tầm quan trọng của việc đào tạo trên các tập dữ liệu thực tế đa dạng. Chúng tôi dự định công khai Pulse-PPG để khuyến khích phát triển các mô hình cơ sở mạnh mẽ sử dụng dữ liệu thực địa.

Takeaways, Limitations

•
Takeaways:
◦
Mô hình dựa trên PPG (Pulse-PPG) được đào tạo bằng dữ liệu môi trường thực tế cho thấy hiệu suất tổng quát tốt hơn trong nhiều lĩnh vực ứng dụng so với mô hình dựa trên dữ liệu lâm sàng.
◦
Nhấn mạnh tầm quan trọng của việc học mô hình bằng cách sử dụng dữ liệu thực tế đa dạng.
◦
ĐượC phát hành dưới dạng mã nguồn mở để đóng góp vào nghiên cứu mô hình dựa trên PPG trong tương lai.
◦
Việc tiếp xúc với sự thay đổi của môi trường thực tế góp phần vào khả năng học biểu diễn chi tiết của mô hình và cải thiện khả năng thích ứng.
•
Limitations:
◦
Cần có thêm nghiên cứu về tính ổn định và độ tin cậy lâu dài của mô hình Pulse-PPG được trình bày trong bài báo này.
◦
Cần phải xác nhận thêm khả năng khái quát hóa trên nhiều nhóm dân số khác nhau.
◦
Cần nghiên cứu thêm về khả năng chịu đựng tiếng ồn hoặc hiện tượng lạ của mô hình có thể gây suy giảm hiệu suất.
👍
Made with Slashpage