Fitbeat：基于腕带心率的 COVID-19 估计
信号处理
2021-04-20 v1 人机交互
机器学习
摘要
本研究探讨了利用远程采集的心率数据，通过深度学习方法识别疑似 COVID-19 感染个体的潜力。研究使用了正在进行的欧盟 IMI RADAR-CNS 项目的数据，该项目旨在考察可穿戴设备与智能手机监测多发性硬化症（MS）、抑郁症或癫痫患者的可行性。作为项目方案的一部分，使用 Fitbit 腕带从参与者处采集心率数据。本工作中队列中 COVID-19 的存在或通过拭子阳性检测确认，或通过自我报告包括发热、呼吸道症状、嗅觉或味觉丧失、疲倦和胃肠道症状在内的综合症状推断。实验结果表明，我们提出的对比卷积自编码器（contrastive CAE），即自编码器与对比损失（contrastive loss）的组合架构，优于常规卷积神经网络（CNN）以及不使用对比损失的卷积自编码器（CAE）。我们最终的对比 CAE 在 19 名报告 COVID-19 症状的 MS 参与者测试集上达到了 95.3% 的未加权平均召回率、86.4% 的精确率、88.2% 的 F1 值、100% 的灵敏度和 90.6% 的特异度，这些参与者每人都与一名无症状 COVID-19 的 MS 参与者配对。
引用
@article{arxiv.2104.09263,
title = {Fitbeat: COVID-19 Estimation based on Wristband Heart Rate},
author = {Shuo Liu and Jing Han and Estela Laporta Puyal and Spyridon Kontaxis and Shaoxiong Sun and Patrick Locatelli and Judith Dineley and Florian B. Pokorny and Gloria Dalla Costa and Letizia Leocan and Ana Isabel Guerrero and Carlos Nos and Ana Zabalza and Per Soelberg Sørensen and Mathias Buron and Melinda Magyari and Yatharth Ranjan and Zulqarnain Rashid and Pauline Conde and Callum Stewart and Amos A Folarin and Richard JB Dobson and Raquel Bailón and Srinivasan Vairavan and Nicholas Cummins and Vaibhav A Narayan and Matthew Hotopf and Giancarlo Comi and Björn Schuller},
journal= {arXiv preprint arXiv:2104.09263},
year = {2021}
}
备注
34pages, 4figures