用于呼吸频率估计的多任务网络——实用视角
信号处理
2022-02-10 v3 机器学习
摘要
可穿戴传感器的指数级增长引起了人们对在日常活动中评估生理参数的极大兴趣。呼吸频率是用于评估生活方式活动表现的重要参数之一。然而，繁琐的测量设置、运动伪影和其他噪声使该过程复杂化。本文提出了一种基于深度学习（DL）的多任务架构，用于从心电图（ECG）和加速度计信号中估计瞬时和平均呼吸频率，使其在骑行、步行等日常生活中能够高效运行。该多任务网络由 Encoder-Decoder 和 Encoder-IncResNet 的组合构成，用于获取平均呼吸频率和呼吸信号。呼吸信号可用于获取呼吸峰值和瞬时呼吸周期。使用平均绝对误差（MAE）、均方根误差（RMSE）、推理时间和参数量分析，将该网络与当前最先进的机器学习（ML）模型及以往研究中开发的其他深度学习模型进行了比较。作为本研究的一部分，还开发了基于多种输入的其他深度学习配置。所提出的模型表现出更好的整体准确率，并在不同活动期间比单一模态给出了更好的结果。
引用
@article{arxiv.2112.09071,
title = {Multitask Network for Respiration Rate Estimation -- A Practical Perspective},
author = {Kapil Singh Rathore and Sricharan Vijayarangan and Preejith SP and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:2112.09071},
year = {2022}
}
备注
Preprint