Promotion2

200

0.0 (0)

Torsten Gfesser

Étudier

Torsten Gfesser

À propos de ce fichier

Diese Lernkarten behandeln die Entwicklung und Validierung eines HRV-basierten Modells (Generation 9) zur Messung physiologischer Beanspruchung, insbesondere durch RMSSD-Analyse aus EKG-Daten. Im Fokus stehen methodische Fragen zur Signalverarbeitung, statistischen Auswertung und Generalisierungsfähigkeit, etwa der Einfluss von Atmung, Sensortransfer oder Autokorrelation. Besonders relevant ist die Diskussion um Transparenz, Online-Fähigkeit und Validierungsstrategien für sicherheitskritische Anwendungen. Studierende und Forscher der Informatik oder Biomedizintechnik profitieren von den praxisnahen Einblicken in Signalanalyse und maschinelles Lernen.

Cartes-fiches

200

Utilisateurs

Langue

Allemand

Catégorie

Informatique

Niveau

Université

Créé / Mis à jour

03.09.2026 / 03.09.2026

Fichiers de cartes similaires

Cartes-fiches

Was prüft LOSO primär?

Generalisierung auf neue Personen.

Langfristige Generalisierung über Monate.

Personenunabhängige Leistung.

Ausschließlich Sensortransfer.

Wie sieht ein korrekter LOSO-Fold aus?

N−1 Personen im Training.

Eine komplette Person im Test.

Zeitpunkte derselben Testperson teils in Train und teils in Test.

Alle Personen werden zufällig auf Sekundenebene gemischt.

Was prüft ein chronologischer Split primär?

Generalisierung auf spätere Zeitpunkte.

Ob eine bekannte Person zu einem späteren Zeitpunkt noch korrekt verarbeitet wird.

Ob ein Modell auf eine völlig neue Person generalisiert.

Ob PPG mit EKG korreliert.

Warum sind Sekundenwerte innerhalb einer Person nicht unabhängig?

Physiologische Zeitreihen sind autokorreliert.

Überlappende RMSSD-Fenster teilen Rohdaten.

Jede Sekunde stammt von einer anderen Person.

RMSSD wird nur einmal pro Sitzung berechnet.

Warum ist ein Random Split von 1-Hz-RMSSD problematisch?

Nahezu identische Fenster können in Train und Test landen.

Personenspezifische Muster können ausgenutzt werden.

Die Testleistung kann optimistisch verzerrt werden.

Er ist immer konservativer als LOSO.

Welche Aussage zum 60-Sekunden-Gap ist korrekt?

Er kann direkte Rohdatenüberlappung zwischen 60-Sekunden-RMSSD-Fenstern verhindern.

Er garantiert vollständige statistische Unabhängigkeit.

Langsamere physiologische Autokorrelation kann trotzdem bestehen bleiben.

Er ersetzt LOSO vollständig.

Was ist der Unterschied zwischen Subject Shift und Temporal Shift?

Subject Shift betrifft neue Personen.

Temporal Shift betrifft spätere oder zeitlich veränderte Daten.

Beide sind identisch.

Temporal Shift betrifft nur Sensorwechsel.

Welche Evaluationslogik ist besonders streng?

Personenübergreifende und zeitliche Separation kombinieren.

Nur zufälliger Sekunden-Split.

Zusätzlich unabhängigen externen Datensatz verwenden.

Testdaten während der Entwicklung wiederholt ansehen.

Ist vergangener kausaler Kontext bei einem Onlineverfahren automatisch Leakage?

Nein, wenn diese Information zum jeweiligen Zeitpunkt real verfügbar gewesen wäre.

Ja, jeder vergangene Wert ist Leakage.

Nur zukünftige oder anderweitig unzulässige Testinformation erzeugt Leakage.

Ein Onlineverfahren darf grundsätzlich keinen internen Zustand besitzen.

Wann kann ein Reset des Gen-9-Zustands sinnvoll sein?

Wenn ein vollständig unabhängiger Testblock ohne Vorgeschichte untersucht werden soll.

Wenn man eine separate Burn-in-Phase definieren möchte.

Immer zwingend bei jedem Online-Test.

Nur um die AUC künstlich zu erhöhen.

Welche Rohdatenquelle wurde primär verwendet?

Zephyr BioHarness 3 Einkanal-EKG.

Handgelenks-PPG als primäre Quelle.

Simultan erfasstes Respirogramm.

EEG als primäre Quelle.

Welche Abtastrate hatte das EKG?

250 Hz.

25 Hz.

1 Hz.

1000 Hz.

Welche Aussage zur 1-Hz-RMSSD-Zeitreihe ist korrekt?

Sie wird sekündlich aktualisiert.

Sie wird aus einem rückwärtsgerichteten 60-Sekunden-Fenster berechnet.

Sie enthält exakt 60 RR-Intervalle.

1 Hz bezeichnet die EKG-Rohabtastrate.

Welche Komponenten sind vergangenheitsbasiert?

60-Sekunden-RMSSD-Berechnung.

Rollierende 180-Sekunden-OLS-Respirationskorrektur.

Zentrierte Atmungsglättung in der verwendeten Pipeline.

PCHIP-Lückenschließung mit zukünftigen Stützpunkten.

Welche Komponenten machen die verwendete Gesamtpipeline nicht vollständig kausal?

Zentrierte Aufbereitung der Atmungsrate.

PCHIP-Lückenschließung mit möglichen zukünftigen Stützpunkten.

Die Gen-9-Kernformel selbst.

Die rückwärtsgerichtete RMSSD-Berechnung.

Was bedeutet „online-fähig“ in der Dissertation präzise?

Die Gen-9-Kernberechnung ist rekursiv streambar.

Die komplette Roh-EKG-bis-s(t)-Pipeline wurde live end-to-end validiert.

Jeder neu verfügbare 1-Hz-Wert kann fortlaufend verarbeitet werden.

Es besteht keinerlei Schätzlatenz.

Welche Aussagen zur gemessenen Gen-9-Rechenzeit sind korrekt?

Etwa 0,018 ms pro 1-Hz-Update im Mittel.

Sie beschreibt nur die Kernaktualisierung.

Sie ist identisch mit der End-to-End-Detektionslatenz.

Sie wurde auf konkreter Wearable-Hardware validiert.

Welche Faktoren tragen zusätzlich zur End-to-End-Latenz bei?

60-Sekunden-RMSSD-Fenster.

30-Sekunden-Medianglättung.

180-Sekunden-Respirationskorrektur.

Kontextaufbau.

Nur die CPU-Rechenzeit von 0,018 ms.

Welche Informationen muss der Gen-9-Kern im Speicher halten?

Jüngste Werte für die Medianglättung.

Historie für dynamisches Min und Max.

Vorherigen EWMA-Zustand.

Die komplette Roh-EKG-Aufzeichnung seit Messbeginn.

Wie skaliert der Speicherbedarf des Gen-9-Kerns?

Im Wesentlichen O(wh).

Exponentiell mit der Aufzeichnungsdauer.

Konstant unabhängig von wh.

Quadratisch mit der Zahl der Personen.

Warum ist RMSSD besonders anfällig für einzelne Beat-Fehler?

Sukzessive Intervalldifferenzen werden quadriert.

Ein einzelner Fehler kann zwei benachbarte Differenzterme beeinflussen.

RMSSD ignoriert Beat-Fehler vollständig.

RMSSD basiert ausschließlich auf dem Mittelwert der Herzfrequenz.

Welche Aussagen zu thorakalem EKG sind korrekt?

Der R-Peak kann relativ präzise lokalisiert werden.

Trockene Textilelektroden können bewegungsanfällig sein.

EKG ist völlig artefaktfrei.

Muskelaktivität kann den QRS-Komplex überlagern.

Welche Aussagen zu PPG sind korrekt?

PPG liefert periphere Pulsintervalle, nicht direkt EKG-RR-Intervalle.

Pulstransitzeit beeinflusst die zeitliche Lage der Pulswelle.

Bewegungsartefakte am Handgelenk sind relevant.

PPG misst automatisch immer die Respirationsrate mit gleicher Qualität wie das Respirogramm.

Welche Faktoren können die Pulstransitzeit beeinflussen?

Blutdruck.

Arterielle Gefäßsteifigkeit.

Sympathischer Gefäßtonus.

Die gewählte AUC-Metrik.

Warum reicht hohe Korrelation zwischen EKG-RMSSD und PPG-PRV nicht?

Korrelation sagt nichts über systematischen Bias aus.

Zeitliche Verschiebungen können trotz hoher Korrelation bestehen.

Kurze Suppressionsmuster können unterschiedlich abgebildet werden.

Hohe Korrelation beweist vollständige Austauschbarkeit.

Welche Ebenen sollte eine EKG-PPG-Validierung abdecken?

Signalebene.

Dynamikebene.

Systemebene mit s(t).

Nur Mittelwertvergleich über alle Personen.

Was wäre ein sinnvoller erster Schritt einer EKG-PPG-Studie?

Simultane, zeitsynchronisierte Aufzeichnung.

Getrennte Messungen an verschiedenen Tagen ohne Synchronisation.

Vergleich von Intervall- und RMSSD-Dynamik.

Direkte Übernahme der EKG-AUC auf PPG ohne Messung.

Welche Aussage zum Sensortransfer ist korrekt?

Die Gen-9-Kernlogik ist prinzipiell sensoragnostisch.

Die Validität des Eingangssignals ist nicht sensoragnostisch.

PPG und EKG sind messtechnisch identisch.

Ein Sensorwechsel erfordert keine neue Validierung.

Warum wurde nicht primär eine Smartwatch verwendet?

Kurzfristige autonome Dynamik ist mit handgelenksbasiertem PPG stärker durch periphere Effekte und Bewegung beeinflusst.

Die Arbeit priorisierte eine thorakale EKG-Ableitung für präzisere RR-Intervalle.

Smartwatches können grundsätzlich keinen Puls messen.

PPG ist immer unbrauchbar.

Welche Aussage zu einem Smart-Ring gilt prinzipiell?

Er teilt wesentliche photoplethysmographische Limitationen peripherer Messungen.

Er liefert automatisch ein klinisches EKG.

Er eliminiert Pulstransitzeit vollständig.

Er macht Bewegungsartefakte unmöglich.

Warum wurde nicht einfach ein LSTM oder Transformer end-to-end trainiert?

Die Forschungsfrage zielte auf transparente Referenzierungslogik.

Die Zahl unabhängiger Personen war begrenzt.

Viele Sekunden sind wegen Autokorrelation nicht gleich viele unabhängige Beispiele.

Deep Learning ist grundsätzlich wissenschaftlich unzulässig.

Wann könnte Deep Learning gegenüber Generation 9 vorteilhaft sein?

Bei großer heterogener multimodaler Datenbasis.

Wenn robuste Generalisierung auf neue Personen und Kontexte nachgewiesen wird.

Wenn nur auf dem Entwicklungsdatensatz eine höhere AUC erreicht wird.

Wenn Nichtlinearitäten zwischen mehreren Modalitäten relevant sind.

Welche Aussage zu „Blackbox“ ist methodisch angemessen?

Komplexe Modelle sind nicht automatisch völlig unerklärbar.

Generation 9 ist strukturell direkter nachvollziehbar.

Deep Learning kann niemals interpretiert oder validiert werden.

Transparenz allein beweist keine physiologische Wahrheit.

Welches Meta-Level-Risiko besteht bei neun Generationen auf denselben Datensätzen?

Wiederholte Entwicklungsentscheidungen können durch dieselben Daten beeinflusst werden.

LOSO eliminiert automatisch jede Form dieses Risikos.

Ein völlig unangetasteter finaler Testdatensatz fehlt.

Das Risiko betrifft nur die Sensorhardware.

Wie ist der Labor-Feld-Vergleich einzuordnen?

Interne Cross-Dataset-Prüfung.

Unabhängige externe Validierung.

Die Datensätze unterscheiden sich in Personen, Aufgaben und Kontext.

Beide stammen aus derselben Forschungslinie.

Was müsste vor einer echten externen Validierung eingefroren werden?

Formel und Preprocessing.

Parameter und Ausschlussregeln.

Anchor-Definitionen und primäre Metriken.

Das Testset nach ersten Ergebnissen flexibel angepasst werden.

Warum ist Generation 9 noch nicht für sicherheitskritische automatische Intervention geeignet?

Physiologische Spezifität ist begrenzt.

Naturalistische Robustheit ist nicht ausreichend validiert.

Fehlerkosten wurden nicht anwendungsspezifisch optimiert.

Der Closed Loop wurde nicht als sicherheitsverbessernd validiert.

Welche Evidenz wäre vor sicherheitskritischem Einsatz erforderlich?

Prospektive Validierung in der Zielpopulation.

Anwendungsspezifische Fehlerkostenanalyse.

Prüfung, ob Interventionen tatsächlich Leistung oder Sicherheit verbessern.

Nur eine hohe AUC im bisherigen Feldsample.

Wie sollte s(t) in einer frühen praktischen Anwendung eher genutzt werden?

Als eine von mehreren Informations- oder Steuergrößen.

Als alleinige Grundlage für hochautoritäre automatische Eingriffe.

Mit transparenter Eingriffslogik.

Mit Möglichkeit zur Überwachung und Korrektur durch den Nutzer.

Welche Folgestudie adressiert die wichtigsten offenen Punkte am besten?

Unabhängige, longitudinale und naturalistische Erhebung.

Multimodale Kontextmessung.

Primäre Auswertung aller signalqualitätsgeeigneten Personen.

Ausschließliche Wiederholung derselben kontrollierten Stichprobe ohne neue Personen.

Vorab eingefrorene Pipeline und prospektive Auswertung.

Lernen

Promotion2

Créer ou copier des fichiers d'apprentissage

Cartes-fiches

Please log in

Google

Apple ID

Microsoft

Switch edu-ID

Edulog

Google

Apple ID

Microsoft

Switch edu-ID

Edulog