論文の概要: "Can't Take the Pressure?": Examining the Challenges of Blood Pressure
Estimation via Pulse Wave Analysis
- arxiv url: http://arxiv.org/abs/2304.14916v1
- Date: Sun, 23 Apr 2023 20:15:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-07 16:14:59.133060
- Title: "Can't Take the Pressure?": Examining the Challenges of Blood Pressure
Estimation via Pulse Wave Analysis
- Title（参考訳）: 「圧力を取らないのか?」:パルス波解析による血圧推定の課題の検討
- Authors: Suril Mehta, Nipun Kwatra, Mohit Jain, Daniel McDuff
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.720627271774216
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The use of observed wearable sensor data (e.g., photoplethysmograms [PPG]) to
infer health measures (e.g., glucose level or blood pressure) is a very active
area of research. Such technology can have a significant impact on health
screening, chronic disease management and remote monitoring. A common approach
is to collect sensor data and corresponding labels from a clinical grade device
(e.g., blood pressure cuff), and train deep learning models to map one to the
other. Although well intentioned, this approach often ignores a principled
analysis of whether the input sensor data has enough information to predict the
desired metric. We analyze the task of predicting blood pressure from PPG pulse
wave analysis. Our review of the prior work reveals that many papers fall prey
data leakage, and unrealistic constraints on the task and the preprocessing
steps. We propose a set of tools to help determine if the input signal in
question (e.g., PPG) is indeed a good predictor of the desired label (e.g.,
blood pressure). Using our proposed tools, we have found that blood pressure
prediction using PPG has a high multi-valued mapping factor of 33.2% and low
mutual information of 9.8%. In comparison, heart rate prediction using PPG, a
well-established task, has a very low multi-valued mapping factor of 0.75% and
high mutual information of 87.7%. We argue that these results provide a more
realistic representation of the current progress towards to goal of wearable
blood pressure measurement via PPG pulse wave analysis.
- Abstract（参考訳）: 健康対策(グルコース濃度や血圧など)を推測するために、観測されたウェアラブルセンサーデータ(例えば、光胸腺図(PPG))を使用することは、非常に活発な研究領域である。
このような技術は、健康スクリーニング、慢性疾患管理、遠隔監視に大きな影響を与える可能性がある。
一般的なアプローチは、臨床用グレード装置(例えば血圧計)からセンサーデータと対応するラベルを収集し、深層学習モデルを訓練して一方を他方にマップすることである。
好意的ではあるが、このアプローチは、入力センサーデータが所望のメトリックを予測するのに十分な情報を持っているかどうかの原則的な分析を無視することが多い。
PPGパルス波解析から血圧予測の課題を分析する。
先行研究のレビューから,多くの論文が予備データ漏洩や非現実的なタスクや前処理ステップの制約に陥っていることが明らかとなった。
対象の入力信号(例えばppg)が本当に所望のラベル(例えば血圧)の適切な予測者であるかどうかを判断するためのツールセットを提案する。
提案手法を用いて, PPGを用いた血圧予測は多値マッピング係数が33.2%, 相互情報の低値が9.8%であった。
対照的に、よく確立されたタスクであるPSGを用いた心拍予測は、非常に低い多値マッピング係数が0.75%、高い相互情報が87.7%である。
これらの結果は、ppgパルス波分析によるウェアラブル血圧測定の目標に向けての現在の進歩をよりリアルに表現するものである。
関連論文リスト
- SympCam: Remote Optical Measurement of Sympathetic Arousal [41.97525156940624]
遠隔同情的覚醒予測の課題に適した新しい畳み込みアーキテクチャを提案する。
本手法により予測された交感神経刺激は, バランスの取れた90%の精度で身体的ストレスを検出することができることを示す。
我々は,遠隔同情的覚醒予測のタスクのために,明示的に設計されたデータセットを寄贈する。
論文 参考訳（メタデータ） (2024-10-27T18:46:55Z) - 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) - 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) - How Suboptimal is Training rPPG Models with Videos and Targets from Different Body Sites? [40.527994999118725]
現在のモデルのほとんどは、指先をターゲット/ラベルとして接触PSG測定を用いて、顔ビデオでトレーニングされている。
ニューラルモデルでは,前頭部でトレーニングすると,基底真理PSG信号のモルフォロジーがより良く予測できることが示される。
論文 参考訳（メタデータ） (2024-03-15T15:20:21Z) - A Finger on the Pulse of Cardiovascular Health: Estimating Blood Pressure with Smartphone Photoplethysmography-Based Pulse Waveform Analysis [2.4347312660509672]
本研究は, 血圧推定のためのスマートフォンを用いた光プラチスモグラフィー(SPW-BP)の革新的4つの戦略を提案する。
我々は,高次正規化やデータ削除,境界信号再構成など,しばしば無視されるデータ品質改善技術を採用している。
相関とSHAP分析はBP推定を改善するための重要な特徴を同定した。
しかし, Bland-Altman 分析では系統的偏りがみられ, MAE 解析ではAAMI と BHS の精度基準を満たしていないことがわかった。
論文 参考訳（メタデータ） (2024-01-20T05:05:17Z) - Hypertension Detection From High-Dimensional Representation of
Photoplethysmogram Signals [38.497450879376]
高血圧の早期発見は、重要な健康問題の予防に不可欠である。
いくつかの研究は、血圧と光胸腺図(PPG)のような特定のバイタルシグナルとの関係を示唆している。
本稿では, PPG信号を用いた高血圧検出のために, ランダム畳み込みカーネルに基づく高次元表現手法を提案する。
論文 参考訳（メタデータ） (2023-07-31T00:09:23Z) - Journaling Data for Daily PHQ-2 Depression Prediction and Forecasting [47.93070579578704]
我々は,新たに収集した時系列データセット上で,アクティブに収集されたデータを用いて,毎日のPHQ-2スコアを予測し,予測する可能性を探る。
PHQ-2 スコアの日次予測には 1.417 の MAE が最適である。
これは、うつ病モニタリングアプリケーションにアクティブに収集されたデータを組み込むことで得られる付加価値を示す。
論文 参考訳（メタデータ） (2022-05-06T17:47:05Z) - 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) - 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) - 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) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
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。