该文探讨了在去除运动伪影后ACC数据中仍存在的噪声问题，并研究了ACC与心率变化之间的关系，通过建模和回归分析来处理异常。文中采用了一种算法框架，包括计算ACC的瞬时变化、使用神经网络进行预测、估计心率差以及线性回归。在后处理阶段，应用了滤波和三次样条插值方法来优化结果。
主要内容：
1、探索ACC去除运动伪影后依然存在其他噪声影响的问题；
2、观察ACC和心率变化的相关性，建模；
3、对心率变化做回归分析，并且去除异常的结果；
算法框架：
1、计算SaccSaccSacc：
Sacc,i=∑j=1n(Xacc,j2+Yacc,j2+Zacc,j2),
S_{acc,i}=\sum_{j=1}^n(X_{acc,j}^2 +Y_{acc,j}^2 + Z_{acc,j}^2),
Sacc,i=j=1∑n(Xacc,j2+Yacc,j2+Zacc,j2),
Sacc=Sacc,i−Sacc,i−1 S_{acc}=S_{acc,i}-S_{acc,i-1} Sacc=Sacc,i−Sacc,i−1
2、计算βi\boldsymbol{\beta}_{i}βi:1×61\times61×6向量，[Sacc,i−6,…,Sacc,i][S_{acc,i-6},\dots,S_{acc,i}][Sacc,i−6,…,Sacc,i]；
3、NN预测得到：r^\hat{\boldsymbol{r}}r^；
4、估计的心率差：r\boldsymbol{r}r；
5、3和4的结果线性回归；
6、后处理步骤：
过滤步骤：
hr′=(I+λDTD)−1hr
hr'=\left(I+\lambda D^TD\right)^{-1}hr
hr′=(I+λDTD)−1hr
如果被过滤掉，则拟合：
f(x)=a(x−x1)3+b(x−x1)2+c(x−x1)1+d
f\left(x\right)=a\left(x-x_1\right)^3+b\left(x-x_1\right)^2+c\left(x-x_1\right)^1+d
f(x)=a(x−x1)3+b(x−x1)2+c(x−x1)1+d
扫一扫
4770
到【灌水乐园】发言
