論文の概要: Exploring the limitations of blood pressure estimation using the photoplethysmography signal

• arxiv url: http://arxiv.org/abs/2404.16049v1
• Date: Tue, 9 Apr 2024 14:08:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-28 10:36:53.702951
• Title: Exploring the limitations of blood pressure estimation using the photoplethysmography signal
• Title（参考訳）: Photoplethysmography 信号を用いた血圧推定の限界の探索
• Authors: Felipe M. Dias, Diego A. C. Cardenas, Marcelo A. F. Toledo, Filipe A. C. Oliveira, Estela Ribeiro, Jose E. Krieger, Marco A. Gutierrez,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hypertension, a leading contributor to cardiovascular morbidity, underscores the need for accurate and continuous blood pressure (BP) monitoring. Photoplethysmography (PPG) presents a promising approach to this end. However, the precision of BP estimates derived from PPG signals has been the subject of ongoing debate, necessitating a comprehensive evaluation of their effectiveness and constraints. We developed a calibration-based Siamese ResNet model for BP estimation, using a signal input paired with a reference BP reading. We compared the use of normalized PPG (N-PPG) against the normalized Invasive Arterial Blood Pressure (N-IABP) signals as input. The N-IABP signals do not directly present systolic and diastolic values but theoretically provide a more accurate BP measure than PPG signals since it is a direct pressure sensor inside the body. Our strategy establishes a critical benchmark for PPG performance, realistically calibrating expectations for PPG's BP estimation capabilities. Nonetheless, we compared the performance of our models using different signal-filtering conditions to evaluate the impact of filtering on the results. We evaluated our method using the AAMI and the BHS standards employing the VitalDB dataset. The N-IABP signals meet with AAMI standards for both Systolic Blood Pressure (SBP) and Diastolic Blood Pressure (DBP), with errors of 1.29+-6.33mmHg for systolic pressure and 1.17+-5.78mmHg for systolic and diastolic pressure respectively for the raw N-IABP signal. In contrast, N-PPG signals, in their best setup, exhibited inferior performance than N-IABP, presenting 1.49+-11.82mmHg and 0.89+-7.27mmHg for systolic and diastolic pressure respectively. Our findings highlight the potential and limitations of employing PPG for BP estimation, showing that these signals contain information correlated to BP but may not be sufficient for predicting it accurately.
• Abstract（参考訳）: 高血圧は心臓血管障害の主因であり、正確な血圧モニタリング(BP)の必要性を浮き彫りにしている。 Photoplethysmography (PPG) はこの目的に対して有望なアプローチを示す。 しかしながら, PPG信号から推定されるBP推定精度は, その有効性や制約の包括的評価を必要とする議論の対象となっている。 BP推定のためのキャリブレーションに基づくSiamese ResNetモデルを開発した。 正常化PPG (N-PPG) と正常化浸潤性動脈圧 (N-IABP) を入力として比較した。 N-IABP信号は、直接的に収縮と拡張の値を示すのではなく、理論的には体内の直接圧力センサーであるため、PPG信号よりも正確なBP測度を提供する。 我々の戦略は,PPGのBP推定能力に対する期待を現実的に調整し,PPGの性能評価のための重要なベンチマークを確立する。 それにもかかわらず、異なる信号フィルタリング条件を用いてモデルの性能を比較し、フィルタが結果に与える影響を評価した。 VitalDBデータセットを用いたAAMIおよびBHS標準を用いて,本手法の評価を行った。 N-IABP信号は、SBP(Systolic Blood Pressure)とDBP(Distolic Blood Pressure)の両方のAAMI標準と一致し、収縮圧は1.29+-6.33mmHg、生のN-IABP信号は1.17+-5.78mmHgである。 対照的に、N-PPG信号は、最も優れた設定で、それぞれ収縮圧と拡張圧に対して1.49+-11.82mmHgと0.89+-7.27mmHgのN-IABPよりも低い性能を示した。 以上の結果から,BP推定にPPGを用いる可能性や限界が指摘され,BPと相関する情報を含むが,正確に予測するには不十分である可能性が示唆された。

関連論文リスト

• Towards Better Adversarial Purification via Adversarial Denoising Diffusion Training [65.10019978876863]
  拡散型浄化(DBP)は、敵の攻撃を防御するための有望なアプローチとして浮上している。 従来,DBPモデルのロバスト性評価には疑わしい手法が用いられてきた。 本稿では,DBPモデルの堅牢性向上を目的としたADDT(Adversarial Denoising Diffusion Training)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T16:10:38Z)
• 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)
• On the Theories Behind Hard Negative Sampling for Recommendation [51.64626293229085]
  ハードネガティブサンプリング(HNS)を効果的に活用するための2つの洞察に富んだガイドラインを提供する。 パーソナライズされたランク付け(BPR)学習者におけるHNSの利用は、一方通行部分AUC(OPAUC)の最適化と等価であることを示す。 これらの分析は、初めてトップKレコメンデーションパフォーマンスを最適化するHNSの理論的基盤を確立する。
  論文  参考訳（メタデータ） (2023-02-07T13:57:03Z)
• OpenKBP-Opt: An international and reproducible evaluation of 76 knowledge-based planning pipelines [48.547200649819615]
  放射線治療における知識ベース計画(KBP)のための計画最適化モデルを開発するためのオープンフレームワークを構築した。 当フレームワークは, 頭頸部癌100例の基準計画と, 19KBPモデルによる高用量予測を含む。
  論文  参考訳（メタデータ） (2022-02-16T19:18:42Z)
• 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)
• BP-Net: Efficient Deep Learning for Continuous Arterial Blood Pressure Estimation using Photoplethysmogram [0.06524460254566904]
  血圧は心臓血管疾患や脳卒中に最も影響を及ぼすバイオマーカーの1つである。 連続BPモニタリングへの現在のカフレスアプローチは、フォトプレソグラム信号を取り巻く明示的な特徴工学を含む。 本稿では,PPG波形を用いてSystolic BP (SBP), Mean Average Pressure (MAP), Diastolic BP (DBP) を中間連続動脈BP (ABP) 波形で推定する。
  論文  参考訳（メタデータ） (2021-11-29T14:43:58Z)
• A Shallow U-Net Architecture for Reliably Predicting Blood Pressure (BP) from Photoplethysmogram (PPG) and Electrocardiogram (ECG) Signals [1.1695966610359496]
  病院で血液圧(BP)の連続モニタリングに使われている方法のほとんどは、侵襲的である。 本研究では,光胸腺図や心電図などの非侵襲的に収集可能な信号からBPを予測するためのオートエンコーダの適用性を検討した。 非常に浅い1次元オートエンコーダは、非常に大きなデータセット上で最先端の性能でSBPとDBPを予測するために関連する特徴を抽出できることがわかった。
  論文  参考訳（メタデータ） (2021-11-12T19:34:20Z)
• 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)
• 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)
• 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)

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。