論文の概要: Estimation of Continuous Blood Pressure from PPG via a Federated
Learning Approach
- arxiv url: http://arxiv.org/abs/2102.12245v1
- Date: Wed, 24 Feb 2021 12:11:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-26 08:13:20.832278
- Title: Estimation of Continuous Blood Pressure from PPG via a Federated
Learning Approach
- Title(参考訳): 連合学習法によるppgからの連続血圧の推定
- Authors: Eoin Brophy, Maarten De Vos, Geraldine Boylan, Tomas Ward
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.275287291173557
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ischemic heart disease is the highest cause of mortality globally each year.
This not only puts a massive strain on the lives of those affected but also on
the public healthcare systems. To understand the dynamics of the healthy and
unhealthy heart doctors commonly use electrocardiogram (ECG) and blood pressure
(BP) readings. These methods are often quite invasive, in particular when
continuous arterial blood pressure (ABP) readings are taken and not to mention
very costly. Using machine learning methods we seek to develop a framework that
is capable of inferring ABP from a single optical photoplethysmogram (PPG)
sensor alone. We train our framework across distributed models and data sources
to mimic a large-scale distributed collaborative learning experiment that could
be implemented across low-cost wearables. Our time series-to-time series
generative adversarial network (T2TGAN) is capable of high-quality continuous
ABP generation from a PPG signal with a mean error of 2.54 mmHg and a standard
deviation of 23.7 mmHg when estimating mean arterial pressure on a previously
unseen, noisy, independent dataset. To our knowledge, this framework is the
first example of a GAN capable of continuous ABP generation from an input PPG
signal that also uses a federated learning methodology.
- Abstract(参考訳): 虚血性心疾患は毎年最も死亡率が高い疾患である。
これは、影響を受けた人々の生活だけでなく、公共の医療システムにも大きな負担をかけます。
健康や不健康な心臓医師の力学を理解するために、心電図(ECG)と血圧計(BP)が一般的である。
これらの方法は、特に連続動脈血圧(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。
機械学習手法を用いて,単一光光電容積(ppg)センサのみからappを推定することのできるフレームワークの開発を試みた。
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で実装可能な大規模な分散協調学習実験を模倣します。
我々の時系列時系列生成逆数ネットワーク(T2TGAN)は、2.54 mmHgの平均誤差と23.7 mmHgの標準偏差でPSG信号から高品質な連続ABPを生成することができる。
私たちの知る限りでは、このフレームワークは、フェデレーション学習方法論を使用する入力PPG信号から連続的なABP生成が可能なGANの最初の例です。
関連論文リスト
- Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳(メタデータ) (2023-10-24T11:34:15Z) - 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) - Novel Blood Pressure Waveform Reconstruction from Photoplethysmography
using Cycle Generative Adversarial Networks [2.0253391348983]
血圧(BP)の連続モニタリングは、個人が慢性疾患を高血圧として管理するのに役立つ。
クリーンなPSG信号からBP信号を循環性血圧(ABP)として抽出するサイクル生成対向ネットワーク(CycleGAN)を提案する。
提案手法では,GANアーキテクチャをドメイン翻訳に拡張し,BP推定の2倍の精度で最先端の手法を高速化する。
論文 参考訳(メタデータ) (2022-01-24T22:14:58Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - A Shallow U-Net Architecture for Reliably Predicting Blood Pressure (BP)
from Photoplethysmogram (PPG) and Electrocardiogram (ECG) Signals [1.1695966610359496]
病院で血液圧(BP)の連続モニタリングに使われている方法のほとんどは、侵襲的である。
本研究では,光胸腺図や心電図などの非侵襲的に収集可能な信号からBPを予測するためのオートエンコーダの適用性を検討した。
非常に浅い1次元オートエンコーダは、非常に大きなデータセット上で最先端の性能でSBPとDBPを予測するために関連する特徴を抽出できることがわかった。
論文 参考訳(メタデータ) (2021-11-12T19:34:20Z) - A Novel Clustering-Based Algorithm for Continuous and Non-invasive
Cuff-Less Blood Pressure Estimation [0.0]
心電図(ECG)信号と動脈血圧(ABP)データから抽出した特徴に基づく血圧推定法を開発した。
クラスタリング手法を適用して, モデル作成の精度を高く評価し, 比較した。
以上の結果から,SBP (Systolic Blood Pressure) とDBP (Distolic Blood Pressure) の精度が向上することが示唆された。
論文 参考訳(メタデータ) (2021-10-13T19:16:10Z) - A Deep Learning Approach to Predict Blood Pressure from PPG Signals [10.028103259763352]
血圧(BP)は、身体の生命維持機能を示す4つの主要な重要な兆候の1つである。
PPG信号に基づいてBPを推定するために,3層ディープニューラルネットワークを用いた高度なデータ駆動手法を提案する。
論文 参考訳(メタデータ) (2021-07-30T22:45:34Z) - 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) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z) - PPG2ABP: Translating Photoplethysmogram (PPG) Signals to Arterial Blood
Pressure (ABP) Waveforms using Fully Convolutional Neural Networks [1.0045192779791103]
光胸腺X線信号を用いた非侵襲的アプローチにより連続動脈血圧(ABP)波形を予測する手法を開発した。
入力PSG信号から連続的なAPP波形を4.604 mmHgの絶対誤差で予測する深層学習法 PPG2ABP を提案する。
PPG2ABP のより驚くべき成功は、予測された ABP 波形からの DBP, MAP, SBP の計算値が、いくつかの測定値の下で既存の成果よりも優れていることが判明した。
論文 参考訳(メタデータ) (2020-05-04T17:22:44Z)
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。