論文の概要: Developing Personalized Models of Blood Pressure Estimation from Wearable Sensors Data Using Minimally-trained Domain Adversarial Neural Networks

• arxiv url: http://arxiv.org/abs/2007.12802v1
• Date: Fri, 24 Jul 2020 23:26:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 07:16:22.265203
• Title: Developing Personalized Models of Blood Pressure Estimation from Wearable Sensors Data Using Minimally-trained Domain Adversarial Neural Networks
• Title（参考訳）: 最小学習ドメイン逆ニューラルネットワークを用いたウェアラブルセンサデータからの血圧推定のパーソナライズモデルの開発
• Authors: Lida Zhang, Nathan C. Hurley, Bassem Ibrahim, Erica Spatz, Harlan M. Krumholz, Roozbeh Jafari, Bobak J. Mortazavi
• Abstract要約: 本稿では,MTL (Multitask Learning) 血圧推定モデルにDANN(Domain-adversarial Training Neural Network)法を適用した。 提案モデルでは, 拡張期血圧が4.80 pm 0.74$ mmHg, 収縮期血圧が7.34 pm 1.88$ mmHgの平均根平均二乗誤差(RMSE)を求める。
• 参考スコア（独自算出の注目度）: 8.397130821508313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Blood pressure monitoring is an essential component of hypertension management and in the prediction of associated comorbidities. Blood pressure is a dynamic vital sign with frequent changes throughout a given day. Capturing blood pressure remotely and frequently (also known as ambulatory blood pressure monitoring) has traditionally been achieved by measuring blood pressure at discrete intervals using an inflatable cuff. However, there is growing interest in developing a cuffless ambulatory blood pressure monitoring system to measure blood pressure continuously. One such approach is by utilizing bioimpedance sensors to build regression models. A practical problem with this approach is that the amount of data required to confidently train such a regression model can be prohibitive. In this paper, we propose the application of the domain-adversarial training neural network (DANN) method on our multitask learning (MTL) blood pressure estimation model, allowing for knowledge transfer between subjects. Our proposed model obtains average root mean square error (RMSE) of $4.80 \pm 0.74$ mmHg for diastolic blood pressure and $7.34 \pm 1.88$ mmHg for systolic blood pressure when using three minutes of training data, $4.64 \pm 0.60$ mmHg and $7.10 \pm 1.79$ respectively when using four minutes of training data, and $4.48 \pm 0.57$ mmHg and $6.79 \pm 1.70$ respectively when using five minutes of training data. DANN improves training with minimal data in comparison to both directly training and to training with a pretrained model from another subject, decreasing RMSE by $0.19$ to $0.26$ mmHg (diastolic) and by $0.46$ to $0.67$ mmHg (systolic) in comparison to the best baseline models. We observe that four minutes of training data is the minimum requirement for our framework to exceed ISO standards within this cohort of patients.
• Abstract（参考訳）: 血圧モニタリングは高血圧管理と関連する合併症の予測に不可欠な要素である。 血圧は、ある日を通して頻繁に変化するダイナミックなバイタルサインである。 遠隔かつ頻繁な血圧測定(遠心型血圧モニタリングとも呼ばれる)は、従来、インフレータブルカフを用いて個別の間隔で血圧を測定することで達成されてきた。 しかし、血圧を連続的に測定するカフレス血圧モニタリングシステムの開発への関心が高まっている。 そのようなアプローチの1つは、生体インピーダンスセンサーを使用して回帰モデルを構築することである。 このアプローチの現実的な問題は、そのような回帰モデルを確実に訓練するために必要なデータの量は禁じられることである。 本稿では,MTL(Multitask Learning)血圧推定モデルにDANN(Domain-adversarial Training Neural Network)法を適用し,被験者間の知識伝達を可能にする。 提案モデルは,3分間のトレーニングデータを用いた場合の平均根平均2乗誤差(RMSE)が4.80 \pm 0.74$ mmHg,7.34 \pm 1.88$ mmHgが7.34 \pm 1.88$ mmHg,4分間のトレーニングデータを用いた場合それぞれ4.64 \pm 0.60$ mmHg,7.10 \pm 1.79$が4.48 \pm 0.57$ mmHg,6.79 \pm 1.70$である。 DANNは、直接トレーニングと、訓練済みモデルのトレーニングの両方と比較して、最小限のデータによるトレーニングを改善し、RMSEを0.19$から0.26$ mmHg(ディアストリック)に、最高のベースラインモデルと比較して0.46$から0.67$ mmHg(シストリック)に減らした。 4分間のトレーニングデータが、この患者のコホート内でiso標準を超えるためのフレームワークの最低限の要件であることを観察しました。

関連論文リスト

• Adversarial Contrastive Learning Based Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation [37.94387581519217]
  逆相関学習を用いた物理インフォームド・テンポラル・ネットワーク(PITN)を導入し,非常に限られたデータで正確なBP推定を実現する。 次に, 対人訓練を駆使して生理的時系列データを生成し, スパースデータに面したPITNの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-08-16T02:17:21Z)
• Predicting Pulmonary Hypertension by Electrocardiograms Using Machine Learning [0.0]
  肺高血圧症(英: lung hypertension, PH)は、肺と心臓の右側の動脈に影響を及ぼす高血圧の病態である。 このプロジェクトの目的は、ECG信号を処理し、信頼確率でPHの存在を検出するニューラルネットワークモデルを作成することである。
  論文  参考訳（メタデータ） (2023-04-24T21:00:16Z)
• "Can't Take the Pressure?": Examining the Challenges of Blood Pressure Estimation via Pulse Wave Analysis [12.720627271774216]
  PPGパルス波解析から血圧予測の課題を分析する。 本稿では,入力信号が本当に望ましいラベルの予測器であるかどうかを判断するツールセットを提案する。
  論文  参考訳（メタデータ） (2023-04-23T20:15:09Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Unsupervised Pre-Training on Patient Population Graphs for Patient-Level Predictions [48.02011627390706]
  プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。 本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。 提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T17:59:45Z)
• Ambulatory blood pressure monitoring versus office blood pressure measurement: Are there sex differences? [55.41644538483948]
  オフィス血圧測定(英語: Office Blood Pressure Measurement, OBP)は、血圧を24時間で測定する技術である。 本研究の目的は,高血圧を疑う822名の患者において,性差がOBPとABPMの相違に及ぼす影響について検討することである。
  論文  参考訳（メタデータ） (2021-06-04T10:09:44Z)
• Does BERT Pretrained on Clinical Notes Reveal Sensitive Data? [70.3631443249802]
  我々は、トレーニングされたBERTからPersonal Health Informationを復元するためのアプローチのバッテリーを設計する。 具体的には,患者の名前と関連した状態の回復を試みている。 簡単な探索法では,MIMIC-IIIコーパス上で訓練されたBERTから機密情報を有意に抽出できないことがわかった。
  論文  参考訳（メタデータ） (2021-04-15T20:40:05Z)
• Estimation of Continuous Blood Pressure from PPG via a Federated Learning Approach [5.275287291173557]
  虚血性心疾患は毎年最も死亡率が高い疾患である。 心電図(ecg)と動脈圧(bp)をよく使う健康で不健康な心臓医師の動態を理解する。 これらの方法は、特に動脈圧(abp)を読み取る際に非常に侵襲的であり、非常にコストがかかることはない。 分散モデルとデータソースにまたがるフレームワークをトレーニングし、低コストのウェアラブルに実装可能な大規模な協調学習実験を模倣します。
  論文  参考訳（メタデータ） (2021-02-24T12:11:23Z)
• Aortic Pressure Forecasting with Deep Sequence Learning [23.571482805855755]
  平均大動脈圧(MAP)は、すべての臓器系における灌流の主要な決定因子である。 本研究の目的は,5分前の25Hzの時系列データを入力として,平均大動脈圧を5分前に予測することであった。
  論文  参考訳（メタデータ） (2020-05-12T01:07:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。