論文の概要: A Deep Learning Approach to Predict Blood Pressure from PPG Signals
- arxiv url: http://arxiv.org/abs/2108.00099v1
- Date: Fri, 30 Jul 2021 22:45:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-03 15:02:26.284174
- Title: A Deep Learning Approach to Predict Blood Pressure from PPG Signals
- Title(参考訳): PPG信号からの血圧予測のための深層学習手法
- Authors: Ali Tazarv, Marco Levorato
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 10.028103259763352
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Blood Pressure (BP) is one of the four primary vital signs indicating the
status of the body's vital (life-sustaining) functions. BP is difficult to
continuously monitor using a sphygmomanometer (i.e. a blood pressure cuff),
especially in everyday-setting. However, other health signals which can be
easily and continuously acquired, such as photoplethysmography (PPG), show some
similarities with the Aortic Pressure waveform. Based on these similarities, in
recent years several methods were proposed to predict BP from the PPG signal.
Building on these results, we propose an advanced personalized data-driven
approach that uses a three-layer deep neural network to estimate BP based on
PPG signals. Different from previous work, the proposed model analyzes the PPG
signal in time-domain and automatically extracts the most critical features for
this specific application, then uses a variation of recurrent neural networks
called Long-Short-Term-Memory (LSTM) to map the extracted features to the BP
value associated with that time window. Experimental results on two separate
standard hospital datasets, yielded absolute errors mean and absolute error
standard deviation for systolic and diastolic BP values outperforming prior
works.
- Abstract(参考訳): 血圧 (bp) は、身体の生命機能(生命維持)の状態を示す4つの主要なバイタルサインの1つである。
BPはフィグマノメーター(sphygmomanometer)を用いて継続的にモニタリングすることは困難である。
血圧(特に日常設定の場合)。
しかし、光胸腺造影(PPG)など、容易かつ連続的に取得できる他の健康信号は、大動脈圧波形と類似している。
これらの類似性に基づき、近年、BPをPPG信号から予測する方法が提案されている。
これらの結果をもとに,3層深層ニューラルネットワークを用いてppg信号に基づいてbpを推定する,パーソナライズドデータ駆動手法を提案する。
提案モデルでは,従来の研究と異なり,PPG信号を時間領域で解析し,この特定のアプリケーションで最も重要な特徴を自動的に抽出し,Long-Short-Term-Memory (LSTM)と呼ばれるリカレントニューラルネットワークのバリエーションを用いて,抽出した特徴を時間領域に関連するBP値にマッピングする。
2つの病院標準データセットの実験結果, 絶対誤差平均値, 絶対誤差標準偏差は, 収縮期および拡張期BP値よりも優れていた。
関連論文リスト
- A Multi-scenario Attention-based Generative Model for Personalized Blood Pressure Time Series Forecasting [6.311504297463515]
連続血圧モニタリングは、重要なケア設定において、タイムリーな診断と介入に不可欠である。
本研究では,心電図(ECG)と光胸腺図( Photoplethysmogram)の信号を用いたパーソナライズされたBP予測モデルを提案する。
実験は,60名の被験者からBP測定を行った3つのシナリオから収集したデータセットを用いて行った。
論文 参考訳(メタデータ) (2024-09-07T04:24:15Z) - 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) - Belief Propagation Decoding of Quantum LDPC Codes with Guided Decimation [55.8930142490617]
BPガイドデシミテーション(BPGD)に基づくQLDPC符号のデコーダを提案する。
BPGDは非収束によるBP故障率を著しく低下させる。
論文 参考訳(メタデータ) (2023-12-18T05:58:07Z) - 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) - 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) - 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) - Assessment of deep learning based blood pressure prediction from PPG and
rPPG signals [2.624902795082451]
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。
論文 参考訳(メタデータ) (2021-04-15T15:56:58Z) - HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。
過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。
このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
論文 参考訳(メタデータ) (2020-08-17T23:39:33Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳(メタデータ) (2020-07-16T09:39:17Z) - Estimating Blood Pressure from Photoplethysmogram Signal and Demographic
Features using Machine Learning Techniques [0.0]
高血圧は潜在的に安全でない健康障害であり、血圧(BP)から直接示すことができる
BPの連続的なモニタリングは非常に重要であるが、BP測定は離散的であり、ユーザにとって不快である。
このニーズに対処するために、カフレス、連続、非侵襲的なBP測定システムを提案する。
論文 参考訳(メタデータ) (2020-05-07T09:45:02Z) - 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。