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/2401.05452v2
- Date: Sat, 8 Jun 2024 10:35:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 04:08:57.659332
- 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一部位PSGからのカフレス動脈血圧波形合成
- Authors: Muhammad Wasim Nawaz, Muhammad Ahmad Tahir, Ahsan Mehmood, Muhammad Mahboob Ur Rahman, Kashif Riaz, Qammer H. Abbasi,
- Abstract要約: 動脈血圧(ABP)波形の合成のための2つの新しい目的構築型深層学習(DL)モデルの開発と評価を行った。
UCIデータセットから209人の被験者のデータに基づいて、カフレス血圧推定に基づいてDLモデルをトレーニングし、評価する。
- 参考スコア(独自算出の注目度): 0.9995751332041752
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop and evaluate 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 train and evaluate our DL models on the data of 209 subjects from the public UCI dataset on cuff-less blood pressure (CLBP) estimation. Our transformer model consists of an encoder-decoder pair that incorporates positional encoding, multi-head attention, layer normalization, and dropout techniques for ABP waveform synthesis. Secondly, under our frequency-domain (FD) learning approach, we first obtain the discrete cosine transform (DCT) coefficients of the PPG and ABP signals, and then learn a linear/non-linear (L/NL) regression between them. The transformer model (FD L/NL model) synthesizes the ABP waveform with a mean absolute error (MAE) of 3.01 (4.23). Further, the synthesis of ABP waveform also allows us to estimate the systolic blood pressure (SBP) and diastolic blood pressure (DBP) values. To this end, the transformer model reports an MAE of 3.77 mmHg and 2.69 mmHg, for SBP and DBP, respectively. On the other hand, the FD L/NL method reports an MAE of 4.37 mmHg and 3.91 mmHg, for SBP and DBP, respectively. Both methods fulfill the AAMI criterion. As for the BHS criterion, our transformer model (FD L/NL regression model) achieves grade A (grade B).
- 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の開発と評価を行った。
我々は,カフレス血圧推定(CLBP)に基づいて,公共UCIデータセットから209名の被験者のデータに基づいてDLモデルを訓練し,評価した。
我々のトランスモデルは、位置符号化、マルチヘッドアテンション、層正規化、APP波形合成のためのドロップアウト技術を含むエンコーダとデコーダのペアで構成されている。
第2に、周波数領域(FD)学習法において、まずPPGおよびAPP信号の離散コサイン変換(DCT)係数を取得し、その間の線形/非線形(L/NL)回帰を学習する。
トランスモデル(FD L/NLモデル)は、ABP波形を平均絶対誤差(MAE)3.01(4.23)で合成する。
さらに, ABP波形の合成により, 収縮血圧 (SBP) と拡張期血圧 (DBP) の値も推定できる。
この目的のために、トランスモデルはそれぞれSBPとDBPに対して3.77 mmHgと2.69 mmHgのMAEを報告している。
一方、FD L/NL法では、それぞれSBPおよびDBPに対して4.37 mmHgと3.91 mmHgのMAEを報告している。
どちらのメソッドもAAMIの基準を満たす。
BHS基準に関して、我々の変圧器モデル(FD L/NL回帰モデル)はグレードA(グレードB)を達成する。
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。