Di recente, a Singapore si è tenuto in grande stile l’IEEE International Symposium on Circuits and Systems 2024 (IEEE ISCAS). ISCAS è la conferenza di punta dell’IEEE e il principale forum mondiale nel campo dei circuiti e dei sistemi. Ogni anno riunisce i migliori studiosi e ricercatori di tutto il mondo per discutere e condividere gli ultimi progressi tecnologici e promuovere lo sviluppo sostenibile nell’innovazione dei circuiti e dei sistemi.
Il tema di ISCAS 2024 è “Circuiti e sistemi per lo sviluppo sostenibile” e comprende un’ampia gamma di argomenti, tra cui intelligenza artificiale e deep learning, circuiti e sistemi biomedici, elaborazione dei big data, circuiti e sistemi integrati digitali e Internet delle cose.
Una ricerca innovativa di Ninenovo Technology
Ninenovo Technology, in collaborazione con la Shenzhen University, ha presentato due articoli: “Un modello di deep learning basato su Transformer per il rilevamento dell’apnea notturna e l’applicazione sullo smart ring RingConn” e “Un algoritmo di clustering basato su caratteristiche nel dominio della frequenza per la stima della pressione sanguigna mediante segnali PPG”. Questi articoli sono stati accettati alla conferenza e mostrano gli ultimi risultati tecnologici dell’azienda nel monitoraggio intelligente della salute attraverso l’innovativo smart ring RingConn.
Il primo articolo, “Un modello di deep learning basato su Transformer per il rilevamento dell’apnea notturna e l’applicazione sullo smart ring RingConn”, analizza un nuovo metodo per rilevare la sindrome delle apnee e ipopnee ostruttive del sonno (OSAHS) utilizzando lo smart ring RingConn. L’OSAHS è un disturbo del sonno comune caratterizzato da russamento intenso, pause respiratorie ripetute durante il sonno, eccessiva sonnolenza diurna, mal di testa mattutino e perdita di memoria. Nei casi gravi può inoltre causare asfissia notturna e problemi cardiovascolari.
Il rilevamento tradizionale dell’OSAHS richiede un esame notturno in ospedale con apparecchiature ingombranti per la polisonnografia (PSG). Questo articolo propone un modello di deep learning basato su Transformer, che utilizza i segnali fisiologici multimodali dello smart ring RingConn per rilevare l’OSAHS.
Il modello ha ottenuto risultati eccellenti di rilevamento sui dataset pubblici, con un punteggio F1 pari a 76,6. Lo studio ha inoltre valutato le prestazioni delle combinazioni di segnali nel rilevamento degli eventi di desaturazione dell’ossigeno (DESAT) tramite lo smart ring RingConn. È importante sottolineare che nessuna ricerca attuale ha convalidato il monitoraggio dell’OSAHS basato su uno smart ring. Pertanto, lo studio ha utilizzato dati raccolti dallo smart ring RingConn per la verifica e ha eseguito una stima PSG-AHI.
I risultati hanno mostrato un’elevata correlazione (ρ=0,96) tra l’AHI calcolato dallo smart ring RingConn e il PSG-AHI, dimostrando l’elevata precisione e praticità dello smart ring RingConn nel monitoraggio medico della salute.
Il secondo articolo, “Un algoritmo di clustering basato su caratteristiche nel dominio della frequenza per la stima della pressione sanguigna mediante segnali PPG”, propone un algoritmo di clustering che utilizza le caratteristiche dei segnali fotopletismografici (PPG) nel dominio della frequenza. Molti studi si sono concentrati sulla stima della pressione sanguigna attraverso le forme d’onda PPG. Tuttavia, gli impulsi PPG vengono generati all’incirca ogni secondo e le caratteristiche degli impulsi consecutivi sono simili. È quindi necessario un metodo automatizzato e intelligente per raggruppare i segnali ripetitivi. Per i segnali PPG con differenze significative, è necessario un metodo non supervisionato che classifichi gli impulsi PPG nei rispettivi cluster.
L’algoritmo di clustering proposto classifica gli impulsi PPG in cluster specifici utilizzando le caratteristiche PPG nel dominio della frequenza. Gli impulsi PPG vengono elaborati mediante la trasformata veloce di Fourier, estraendo frequenza, ampiezza, fase, parte reale e parte immaginaria delle prime quattro componenti in frequenza. Nell’algoritmo K-Means proposto è stata sviluppata una nuova funzione di distanza per valutare la dissimilarità tra due impulsi. Inoltre, è stato proposto un framework di fusione dei centri dei cluster per affrontare il problema della selezione del valore K. L’esperimento ha utilizzato il dataset MIMIC-II, raggruppando e unendo gli impulsi in 17 cluster.
I risultati hanno mostrato che il metodo di clustering proposto ha identificato con successo cluster distinti di impulsi PPG corrispondenti a diversi intervalli di pressione sanguigna. Questa scoperta sostiene l’idea che la forma dell’impulso PPG sia correlata alla pressione sanguigna, migliorando la precisione e l’interpretabilità della stima della pressione sanguigna basata sull’analisi dell’onda pulsatoria. Questa tecnologia è ora applicata alla ricerca sul monitoraggio della pressione sanguigna con lo smart ring RingConn.
Lo smart ring RingConn e la gestione della salute
Questi risultati di ricerca non solo evidenziano l’innovazione e la solidità tecnica dello smart ring RingConn nella gestione della salute, ma rafforzano ulteriormente la missione di Ninenovo Technology: “fornire prodotti e servizi dal valore unico per la salute delle persone”, riflettendo pienamente il nostro impegno e il nostro sostegno alla ricerca innovativa.
Il nostro team continuerà a superare i confini della tecnologia indossabile intelligente, utilizzando l’innovazione tecnologica per migliorare la salute delle persone. Crediamo che continui progressi tecnologici offriranno agli utenti esperienze di gestione della salute più precise, pratiche e professionali, contribuendo a un futuro più sano.
Commenta
Questo sito è protetto da hCaptcha e applica le Norme sulla privacy e i Termini di servizio di hCaptcha.