Qumphy-Studie definiert Benchmark-Probleme und Datensätze für PPG-ML

Im Rahmen des EU-finanzierten Qumphy-Projekts (22HLT01 Qumphy) wurde ein neuer Bericht veröffentlicht, der sich auf die Quantifizierung von Unsicherheiten bei Machine‑Learning‑Algorithmen in der medizinischen Signalverarbeitung konzentriert. Der Fokus liegt dabei besonders auf Photoplethysmography (PPG) Signalen, die in der Herz‑ und Kreislaufdiagnostik zunehmend eingesetzt werden.

Der Bericht präsentiert eine sorgfältig kuratierte Liste von sechs medizinischen Problemen, die als Benchmark‑Probleme für PPG‑basierte ML‑Methoden dienen. Für jedes Problem werden passende Benchmark‑Datensätze vorgestellt, inklusive einer klaren Beschreibung ihrer Struktur, Herkunft und des vorgesehenen Einsatzes. Diese Ressourcen ermöglichen es Forschern, ihre Algorithmen systematisch zu testen und die Ergebnisse vergleichbar zu machen.

Durch die Bereitstellung dieser Benchmark‑Probleme und Datensätze schafft die Qumphy‑Studie einen wichtigen Standard für die Bewertung von ML‑Modellen im Bereich der PPG‑Signalverarbeitung. Dies fördert nicht nur die Transparenz und Reproduzierbarkeit von Forschungsergebnissen, sondern unterstützt auch die Entwicklung zuverlässiger, klinisch einsetzbarer Algorithmen.