可穿戴呼吸监测：结合上下文与传感器生物标志物的可解释推断
信号处理
2020-11-26 v1 人工智能
计算机与社会
人机交互
机器学习
摘要
呼吸频率（BR）、分钟通气量（VE）及其他呼吸参数对于哮喘等多种急性健康状况的实时患者监测至关重要。测量呼吸的临床标准，即肺活量测定法，几乎不适合连续使用。可穿戴设备可以追踪许多生理信号，如心电图（ECG）和运动信号，但尚不能直接追踪呼吸。从其他模态中推导呼吸已成为一个活跃的研究领域。在这项工作中，我们从可穿戴 ECG 和腕部运动信号中推断呼吸参数。我们提出了一种模块化且可泛化的分类-回归流水线，以利用可用的上下文信息（如身体活动）来学习上下文条件推断模型。我们从可穿戴 ECG 中提取形态域和功率域的新颖特征，用于这些模型。探索性特征选择方法被整合到此流水线中，以发现特定于应用的可解释生物标志物。利用来自 15 名受试者的数据，我们评估了所提流水线的两种实现：用于推断 BR 和 VE。每种实现都将广义线性模型、随机森林、支持向量机、高斯过程回归和邻域成分分析作为上下文回归模型进行比较。我们使用排列、正则化和相关确定方法对 ECG 特征进行排序，以识别跨模型和活动的稳健 ECG 生物标志物。这项工作展示了可穿戴传感器不仅在连续监测方面的潜力，也在设计生物标志物驱动的预防措施方面的潜力。
引用
@article{arxiv.2007.01413,
title = {Wearable Respiration Monitoring: Interpretable Inference with Context and Sensor Biomarkers},
author = {Ridwan Alam and David B. Peden and John C. Lach},
journal= {arXiv preprint arXiv:2007.01413},
year = {2020}
}
备注
10 pages, 10 figures