論文の概要: Assessment of deep learning based blood pressure prediction from PPG and rPPG signals

• arxiv url: http://arxiv.org/abs/2104.09313v1
• Date: Thu, 15 Apr 2021 15:56:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 14:18:37.565228
• Title: Assessment of deep learning based blood pressure prediction from PPG and rPPG signals
• Title（参考訳）: PPGおよびrPPG信号を用いた深層学習に基づく血圧予測の評価
• Authors: Fabian Schrumpf, Patrick Frenzel, Christoph Aust, Georg Osterhoff, Mirco Fuchs
• Abstract要約: 本研究では, PPG と r に基づく BP 予測誤差を基礎データ分布に関して解析する。 確立されたニューラルネットワーク(NN)アーキテクチャを訓練し、連続的なPPG信号から引き出された入力セグメントの適切なパラメータ化を導き出します。 次に、このパラメータ化をより大きなPPGデータセットに適用し、NNを訓練してBPを予測する。 第3に,r-based bp 予測のための nns のトレーニングに転送学習を用いる。 得られたパフォーマンスはPPGのみのケースに似ています。
• 参考スコア（独自算出の注目度）: 2.624902795082451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exploiting photoplethysmography signals (PPG) for non-invasive blood pressure (BP) measurement is interesting for various reasons. First, PPG can easily be measured using fingerclip sensors. Second, camera-based approaches allow to derive remote PPG (rPPG) signals similar to PPG and therefore provide the opportunity for non-invasive measurements of BP. Various methods relying on machine learning techniques have recently been published. Performances are often reported as the mean average error (MAE) on the data which is problematic. This work aims to analyze the PPG- and rPPG-based BP prediction error with respect to the underlying data distribution. First, we train established neural network (NN) architectures and derive an appropriate parameterization of input segments drawn from continuous PPG signals. Second, we apply this parameterization to a larger PPG dataset and train NNs to predict BP. The resulting prediction errors increase towards less frequent BP values. Third, we use transfer learning to train the NNs for rPPG based BP prediction. The resulting performances are similar to the PPG-only case. Finally, we apply a personalization technique and retrain our NNs with subject-specific data. This slightly reduces the prediction errors.
• Abstract（参考訳）: 非侵襲血圧(bp)測定にppg(photoplethysmography signal)を応用することは様々な理由から興味深い。 まず、PPGはフィンガークリップセンサーを使って容易に測定できる。 第2に、カメラベースのアプローチは、PPGに似たリモートPPG(rPPG)信号を導出することができ、したがって非侵襲的なBP測定の機会を提供する。 最近、機械学習技術に依存する様々な方法が公開された。 パフォーマンスは、問題となるデータの平均誤差(MAE)として報告されることが多い。 本研究の目的は, PPGおよびrPPGに基づくBP予測誤差を基礎となるデータ分布に対して解析することである。 まず、確立されたニューラルネットワーク(NN)アーキテクチャを訓練し、連続PSG信号から引き出された入力セグメントの適切なパラメータ化を導出する。 第二に、このパラメータ化をより大きなPSGデータセットに適用し、NNをトレーニングしてBPを予測する。 その結果、予測誤差はBP値の少ない値へと増大する。 第3に、rppgに基づくbp予測のためのnnsのトレーニングに転送学習を用いる。 結果のパフォーマンスはPSGのみのケースと似ている。 最後に,パーソナライゼーション手法を適用し,主題別データを用いてnnsを再トレーニングする。 これにより予測誤差がわずかに減少する。

関連論文リスト

• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• Bayesian Prediction-Powered Inference [62.2436697657307]
  予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。 本稿では,ベイズ推定に基づくPPIのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-09T18:08:58Z)
• Exploring the limitations of blood pressure estimation using the photoplethysmography signal [0.0]
  光プレモグラフィ(N-シメセ)と浸潤動脈血圧(N-IABP)を比較検討した。 N-IABP信号は、SBP(Systolic blood pressure)およびDBP(Distolic blood pressure)のAAMI標準に合致する BP推定におけるPSGの有用性と限界について検討した。
  論文  参考訳（メタデータ） (2024-04-09T14:08:23Z)
• "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)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)
• Regression or Classification? Reflection on BP prediction from PPG data using Deep Neural Networks in the scope of practical applications [3.867363075280544]
  光胸腺造影信号は、心拍数分析や血中酸素濃度モニタリング以上の診断可能性を提供する。 近年の研究では、血圧推定に対する非侵襲的なPSGベースのアプローチに焦点が当てられている。 BP分類は,多くの臨床的シナリオにおいて,回帰と同等の診断値を提供する可能性があると論じる。
  論文  参考訳（メタデータ） (2022-04-12T08:07:38Z)
• A Theoretical View of Linear Backpropagation and Its Convergence [55.69505060636719]
  バックプロパゲーション(BP)はディープニューラルネットワーク(DNN)の勾配を計算するために広く用いられている 最近では、NinBPと呼ばれるBPの線形変種が導入され、ブラックボックス攻撃を行うためのより伝達可能な逆の例が生み出された。 本稿では,LinBPのニューラルネットワーク関連学習課題における理論的解析について述べる。
  論文  参考訳（メタデータ） (2021-12-21T07:18:00Z)
• 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)
• On Signal-to-Noise Ratio Issues in Variational Inference for Deep Gaussian Processes [55.62520135103578]
  重み付き変分推論を用いたDGP(Deep Gaussian Processs)の訓練で用いられる勾配推定は,信号-雑音比(SNR)問題の影響を受けやすいことを示す。 DGPモデルの予測性能が一貫した改善につながることを示す。
  論文  参考訳（メタデータ） (2020-11-01T14:38:02Z)
• Scaling Equilibrium Propagation to Deep ConvNets by Drastically Reducing its Gradient Estimator Bias [65.13042449121411]
  実際には、EPによって提供される勾配推定によるネットワークのトレーニングは、MNISTよりも難しい視覚タスクにスケールしない。 有限ヌード法に固有のEPの勾配推定のバイアスがこの現象の原因であることを示す。 これらの手法を適用し、非対称な前方および後方接続を持つアーキテクチャをトレーニングし、13.2%のテストエラーを発生させる。
  論文  参考訳（メタデータ） (2020-06-06T09:36:07Z)
• 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。