論文の概要: BP-Net: Cuff-less, Calibration-free, and Non-invasive Blood Pressure
Estimation via a Generic Deep Convolutional Architecture
- arxiv url: http://arxiv.org/abs/2112.15271v1
- Date: Fri, 31 Dec 2021 02:34:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-03 22:59:38.254778
- Title: BP-Net: Cuff-less, Calibration-free, and Non-invasive Blood Pressure
Estimation via a Generic Deep Convolutional Architecture
- Title（参考訳）: bp-net:汎用的深層畳み込み構造によるカフフリー、キャリブレーションフリー、非侵襲的血圧推定
- Authors: Soheil Zabihi, Elahe Rahimian, Fatemeh Marefat, Amir Asif, Pedram
Mohseni, and Arash Mohammadi
- Abstract要約: 本稿では,連続的および計算不要な血圧(BP)モニタリングのための堅牢で高精度な処理ソリューションの開発に焦点をあてる。
提案するフレームワークは、より効率的なメモリを提供する新しい畳み込みアーキテクチャである。
提案したBP-Netアーキテクチャは、正準リカレントネットワークよりも正確であり、BP推定タスクの長期ロバスト性を高める。
- 参考スコア（独自算出の注目度）: 16.36324484557899
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: The paper focuses on development of robust and accurate processing
solutions for continuous and cuff-less blood pressure (BP) monitoring. In this
regard, a robust deep learning-based framework is proposed for computation of
low latency, continuous, and calibration-free upper and lower bounds on the
systolic and diastolic BP. Method: Referred to as the BP-Net, the proposed
framework is a novel convolutional architecture that provides longer effective
memory while achieving superior performance due to incorporation of casual
dialated convolutions and residual connections. To utilize the real potential
of deep learning in extraction of intrinsic features (deep features) and
enhance the long-term robustness, the BP-Net uses raw Electrocardiograph (ECG)
and Photoplethysmograph (PPG) signals without extraction of any form of
hand-crafted features as it is common in existing solutions. Results: By
capitalizing on the fact that datasets used in recent literature are not
unified and properly defined, a benchmark dataset is constructed from the
MIMIC-I and MIMIC-III databases obtained from PhysioNet. The proposed BP-Net is
evaluated based on this benchmark dataset demonstrating promising performance
and shows superior generalizable capacity. Conclusion: The proposed BP-Net
architecture is more accurate than canonical recurrent networks and enhances
the long-term robustness of the BP estimation task. Significance: The proposed
BP-Net architecture addresses key drawbacks of existing BP estimation
solutions, i.e., relying heavily on extraction of hand-crafted features, such
as pulse arrival time (PAT), and; Lack of robustness. Finally, the constructed
BP-Net dataset provides a unified base for evaluation and comparison of deep
learning-based BP estimation algorithms.
- Abstract（参考訳）: 目的: 持続的かつカフレス血圧(bp)モニタリングのためのロバストで正確な処理ソリューションの開発に焦点を当てた。
本研究では,シストリックbpとジアストリックbpの低レイテンシ,連続性,キャリブレーションフリーな上下境界の計算のために,強固な深層学習に基づくフレームワークを提案する。
Method: BP-Netと呼ばれるこのフレームワークは、カジュアルなダイアル化畳み込みと残差接続の組み込みにより優れた性能を保ちながら、より長い有効メモリを提供する新しい畳み込みアーキテクチャである。
BP-Netは、内在的特徴(深部特徴)の抽出における深部学習の可能性を生かし、長期的堅牢性を高めるため、既存のソリューションで一般的な手作り特徴を抽出することなく、生心電図(ECG)と光胸波(PPG)信号を使用する。
結果:最近の文献で使用されるデータセットが統一的かつ適切に定義されていないという事実を生かして,physionet から得られた mimic-i および mimic-iii データベースからベンチマークデータセットを構築する。
提案するBP-Netは,有望な性能を示すベンチマークデータセットに基づいて評価し,より優れた一般化能力を示す。
結論:提案したBP-Netアーキテクチャは,正準リカレントネットワークよりも正確であり,BP推定タスクの長期ロバスト性を高める。
意義:提案されたBP-Netアーキテクチャは、既存のBP推定ソリューションの重要な欠点、すなわちパルス到着時間(PAT)や堅牢性の欠如といった手作り特徴の抽出に大きく依存している。
最後に、構築されたBP-Netデータセットは、深層学習に基づくBP推定アルゴリズムの評価と比較のための統一された基盤を提供する。
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) - TransfoRhythm: A Transformer Architecture Conductive to Blood Pressure Estimation via Solo PPG Signal Capturing [5.255373360156652]
血圧(BP)は、高血圧の正確かつタイムリーな診断および/または治療のための重要な健康指標である。
人工知能(AI)とディープニューラルネットワーク(DNN)の最近の進歩は、データ駆動ソリューションの開発への関心の高まりにつながっている。
本研究は,カフレスBP推定にMIMIC IVデータセットを適用した最初の研究である。
論文 参考訳（メタデータ） (2024-04-15T00:36:33Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - Deep Attentive Belief Propagation: Integrating Reasoning and Learning
for Solving Constraint Optimization Problems [24.63675651321079]
BP(Breief Propagation)は、グラフィカルモデル上の様々な推論タスクのための重要なメッセージパッシングアルゴリズムである。
本研究では, DABP をスムーズなソリューションコストで自己教師付き学習する手法を提案する。
我々のモデルは最先端のベースラインを大きく上回る。
論文 参考訳（メタデータ） (2022-09-24T13:03:46Z) - 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) - Predictive Coding Can Do Exact Backpropagation on Convolutional and
Recurrent Neural Networks [40.51949948934705]
予測符号化ネットワーク(PCN)は、脳内の情報処理に影響を及ぼすモデルである。
BPは現代の機械学習において最も成功した学習方法と考えられている。
生物学的に妥当なアルゴリズムは複雑なアーキテクチャ上でBPの精度を正確に再現できることを示す。
論文 参考訳（メタデータ） (2021-03-05T14:57:01Z) - Neural BRDF Representation and Importance Sampling [79.84316447473873]
本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。
BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。
複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
論文 参考訳（メタデータ） (2021-02-11T12:00:24Z) - Continuous Monitoring of Blood Pressure with Evidential Regression [19.92542487970484]
光胸腺X線写真(MIC)信号を用いた血圧推定は,最新のBP測定の候補として期待できる。
提案手法は,不確実性を推定し,医療状態の診断に役立てることにより,予測BPの信頼性を提供する。
論文 参考訳（メタデータ） (2021-02-06T09:09:31Z) - Belief Propagation Neural Networks [103.97004780313105]
信念伝播ニューラルネットワーク(BPNN)を紹介する。
BPNNは因子グラフ上で動作し、信念伝播(BP)を一般化する
BPNNはIsingモデル上で1.7倍高速に収束し、より厳密な境界を提供することを示す。
挑戦的なモデルカウント問題に関して、BPNNは最先端の手作り手法の100倍の速さを推定する。
論文 参考訳（メタデータ） (2020-07-01T07:39:51Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z)
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。