Phát triển thiết bị đeo được để theo dõi nhịp tim và phát hiện té ngã bằng cách sử dụng máy học để phân tích và phát hiện sớm bất thường của tình trạng tim mạch=Development of a wearable device for heart rate monitoring and fall detection using machine learning to analyze and detect early anomaly of cardiovascular conditions

0 Người đánh giá. Xếp hạng trung bình 0

Tác giả: Nhut Minh Tran, Nam Tran Phuong, Kieu Tran Thi Thanh, Thu Ha Tran, Khoa Pham Van, Thai Nguyen Van

Ngôn ngữ: vie

Ký hiệu phân loại:

Thông tin xuất bản: Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng, 2024

Mô tả vật lý: tr.45850

Bộ sưu tập: Metadata

ID: 477816

Thêm vào giỏ

Bệnh tim mạch là nguyên nhân gây tử vong hàng đầu trên toàn cầu. Nghiên cứu này triển khai một hệ thống theo dõi nhịp tim, điện tâm đồ và cung cấp cảnh báo về các nguy cơ tiềm ẩn cho bệnh nhân dựa trên dữ liệu thu thập được bằng mô hình máy học LSTM. Thiết bị đeo được có kích thước nhỏ gọn với thời lượng pin dài. Thông tin thu thập được từ thiết bị có thể được bác sĩ theo dõi từ xa thông qua giao diện trực quan trên mô hình máy chủ web và bệnh nhân có thể tự theo dõi tình trạng điện tâm đồ của mình thông qua ứng dụng trên thiết bị di động. Bằng cách tích hợp mô hình LSTM vào thiết kế, nghiên cứu này đã giải quyết được hai vấn đề: dự đoán xu hướng của tín hiệu điện tâm đồ và phát hiện các bất thường trong tín hiệu dự đoán. Điều này cho phép người dùng tự theo dõi tình trạng cá nhân của mình và bác sĩ điều chỉnh phương pháp điều trị phù hợp hơn với sức khỏe của bệnh nhân.Cardiovascular disease is the leading cause of death globally. This research implements a system for monitoring heart rate, electrocardiogram, and providing alerts for potential risks to patients based on data collected using the LSTM machine learning model. The wearable device is compact in size with a long battery life. The information collected from the device can be remotely monitored by doctors through a visual interface on a web server model, and patients can self-monitor their electrocardiogram status through an application on a mobile device. By integrating the LSTM model into the design, this study has addressed two issues: predicting the trend of the electrocardiogram signal and detecting abnormalities in the predicted signal. This allows users to self-monitor their personal status and doctors to better adjust the treatment method for the patient’s health.

1. Đọc trực tuyến

1. Đọc trực tuyến

Tạo bộ sưu tập với mã QR