MARC

 008260126s2024        us                              c    eng  d
■001000017360573
■00520260202105548
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265405579
■035    ▼a(MiAaPQ)AAI32315645
■035    ▼a(MiAaPQ)GeorgiaTech75664
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a612
■1001  ▼aDing,  Cheng.
■24510▼aToward  Accurate  Health  Monitoring  Through  Large-Scale  Photoplethysmography  Signal  from  Wearable  Devices
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a126  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Hu,  Xiao.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aThis  dissertation  presents  a  comprehensive  study  on  enhancing  health  monitoring  through  advanced  analysis  of  photoplethysmography  (PPG)  signals  from  wearable  devices.  As  wearable  technologies  proliferate,  there  is  a  significant  opportunity  to  leverage  the  PPG  technology  embedded  in  devices  like  smartwatches  for  continuous  health  monitoring.  This  research  addresses  critical  challenges  in  PPG  signal  utilization  for  health  diagnostics,  such  as  atrial  fibrillation  (AF)  detection,  through  a  combination  of  novel  data  augmentation  techniques,  robust  machine  learning  models,  and  the  development  of  a  large-scale  labeled  PPG  dataset.  Firstly,  the  dissertation  introduces  a  Generative  Adversarial  Network  (GAN)-based  technique  for  data  augmentation  to  tackle  the  inherent  class  imbalance  in  PPG  datasets  used  for  AF  detection.  This  approach  enhances  the  generation  of  synthetic  PPG  signals  by  incorporating  spectral  loss  adjustments,  which  in  turn  improves  the  performance  of  AF  classifiers.  Secondly,  recognizing  the  limitations  of  synthesized  data,  this  study  compiles  a  novel  dataset  of  over  8  million  real-world  PPG  records  labeled  using  bedside  monitor  alarms  for  AF.  A  robust  learning  method  tailored  to  handle  the  label  noise  in  this  large  dataset  is  developed,  significantly  boosting  the  accuracy  of  AF  detection.  Finally,  the  dissertation  introduces  SiamQuality,  a  foundational  model  based  on  a  Siamese  network  architecture  that  addresses  signal  quality  issues  in  PPG  data.  By  ensuring  that  signals  of  similar  physiological  states  yield  similar  feature  representations,  irrespective  of  their  quality,  the  model  sets  new  standards  for  reliability  in  PPG-based  health  monitoring  applications.  Collectively,  these  advancements  represent  a  significant  step  forward  in  the  utilization  of  PPG  technology  for  health  monitoring,  promising  to  enhance  diagnostic  capabilities  and  patient  outcomes  in  real-world  settings.
■590    ▼aSchool  code:  0078.
■650  4▼aPhysiology
■650  4▼aDeep  learning
■650  4▼aCardiac  arrhythmia
■650  4▼aBlood  pressure
■650  4▼aNeural  networks
■650  4▼aHypertension
■650  4▼aLight  emitting  diodes
■650  4▼aWearable  computers
■650  4▼aResearch  &  development--R&D
■650  4▼aVisualization
■650  4▼aElectrical  engineering
■650  4▼aMedicine
■650  4▼aOptics
■690    ▼a0800
■690    ▼a0719
■690    ▼a0544
■690    ▼a0564
■690    ▼a0752
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360573▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서