論文の概要: Cuff-less Arterial Blood Pressure Waveform Synthesis from Single-site PPG using Transformer & Frequency-domain Learning

• arxiv url: http://arxiv.org/abs/2401.05452v1
• Date: Tue, 9 Jan 2024 17:12:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-13 02:33:04.040906
• Title: Cuff-less Arterial Blood Pressure Waveform Synthesis from Single-site PPG using Transformer & Frequency-domain Learning
• Title（参考訳）: 変圧器・周波数領域学習を用いた単サイトPSGからのカフレス動脈血圧波形合成
• Authors: Muhammad Ahmad Tahir, Ahsan Mehmood, Muhammad Mahboob Ur Rahman, Muhammad Wasim Nawaz, Kashif Riaz, Qammer H. Abbasi
• Abstract要約: 動脈血圧(ABP)波形に対する2つの新しい目的構築型深層学習モデルを提案する。 UCIデータセットをカフレス血圧(CLBP)に応用し,DLモデルのトレーニングと評価を行った。
• 参考スコア（独自算出の注目度）: 1.0591656257413806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose two novel purpose-built deep learning (DL) models for synthesis of the arterial blood pressure (ABP) waveform in a cuff-less manner, using a single-site photoplethysmography (PPG) signal. We utilize the public UCI dataset on cuff-less blood pressure (CLBP) estimation to train and evaluate our DL models. Firstly, we implement a transformer model that incorporates positional encoding, multi-head attention, layer normalization, and dropout techniques, and synthesizes the ABP waveform with a mean absolute error (MAE) of 14. Secondly, we implement a frequency-domain (FD) learning approach where we first obtain the discrete cosine transform (DCT) coefficients of the PPG and ABP signals corresponding to two cardiac cycles, and then learn a linear/non-linear (L/NL) regression between them. We learn that the FD L/NL regression model outperforms the transformer model by achieving an MAE of 11.87 and 8.01, for diastolic blood pressure (DBP) and systolic blood pressure (SBP), respectively. Our FD L/NL regression model also fulfills the AAMI criterion of utilizing data from more than 85 subjects, and achieves grade B by the BHS criterion.
• Abstract（参考訳）: 単サイト光胸腺造影 (PPG) 信号を用いて, 動脈圧 (ABP) 波形をカフレスで合成するための2つの新しい深層学習モデルを提案する。 公共UCIデータセットをカフレス血圧推定(CLBP)に利用し,DLモデルのトレーニングと評価を行った。 まず,位置符号化,マルチヘッドアテンション,レイヤ正規化,ドロップアウトといった手法を取り入れたトランスフォーマーモデルを実装し,平均絶対誤差(MAE)14でAPP波形を合成する。 次に,PPG信号とAPP信号の離散コサイン変換(DCT)係数を2つの心循環に対応する周波数領域(FD)学習手法を実装し,その間の線形非線形回帰(L/NL)を学習する。 拡張期血圧 (DBP) と収縮期血圧 (SBP) はそれぞれ 11.87 と 8.01 の MAE を達成し, FD L/NL 回帰モデルがトランスフォーマーモデルより優れていることを知る。 我々のFD L/NL回帰モデルは、85名以上の被験者のデータを利用するAAMI基準を満たし、BHS基準でB級を達成している。

関連論文リスト

• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• 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)
• 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)
• 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)
• DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud Registration [73.37538551605712]
  ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。 実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• 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)
• aiWave: Volumetric Image Compression with 3-D Trained Affine Wavelet-like Transform [43.984890290691695]
  最も一般的なボリューム画像圧縮法はJP3Dのようなウェーブレット変換に基づいている。 本稿では,信号依存型および非分離型変換を実現するために,まず3次元トレーニングウェーブレット様変換を設計する。 次に、アフィンウェーブレットベースを導入し、ボリューム画像の異なる領域における様々な局所的相関をキャプチャする。
  論文  参考訳（メタデータ） (2022-03-11T10:02:01Z)
• 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)
• 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)
• Continual Weight Updates and Convolutional Architectures for Equilibrium Propagation [69.87491240509485]
  Equilibrium Propagation (EP)は、ニューラルネットワークのトレーニングのためのバックプロパゲーション(BP)に対する生物学的にインスパイアされた代替アルゴリズムである。 本稿では,方程式の簡易化,学習の高速化,CNNへのEP拡張を可能にするEPの離散時間定式化を提案する。 我々のCNNモデルは、EPでMNISTで報告された最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-04-29T12:14:06Z)

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。