論文の概要: PITN: Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation
- arxiv url: http://arxiv.org/abs/2408.08488v2
- Date: Tue, 03 Dec 2024 11:06:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:39:32.249768
- Title: PITN: Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation
- Title(参考訳): PITN:カフレス血圧推定のための物理インフォームドテンポラルネットワーク
- Authors: Rui Wang, Mengshi Qi, Yingxia Shao, Anfu Zhou, Huadong Ma,
- Abstract要約: 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。
具体的には,まず物理インフォームドニューラルネットワーク(PINN)を時間ブロックで拡張し,BP力学の多周期性について検討する。
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。
- 参考スコア(独自算出の注目度): 37.94387581519217
- License:
- Abstract: Monitoring blood pressure with non-invasive sensors has gained popularity for providing comfortable user experiences, one of which is a significant function of smart wearables. Although providing a comfortable user experience, such methods are suffering from the demand for a significant amount of realistic data to train an individual model for each subject, especially considering the invasive or obtrusive BP ground-truth measurements. To tackle this challenge, we introduce a novel physics-informed temporal network~(PITN) with adversarial contrastive learning to enable precise BP estimation with very limited data. Specifically, we first enhance the physics-informed neural network~(PINN) with the temporal block for investigating BP dynamics' multi-periodicity for personal cardiovascular cycle modeling and temporal variation. We then employ adversarial training to generate extra physiological time series data, improving PITN's robustness in the face of sparse subject-specific training data. Furthermore, we utilize contrastive learning to capture the discriminative variations of cardiovascular physiologic phenomena. This approach aggregates physiological signals with similar blood pressure values in latent space while separating clusters of samples with dissimilar blood pressure values. Experiments on three widely-adopted datasets with different modailties (\emph{i.e.,} bioimpedance, PPG, millimeter-wave) demonstrate the superiority and effectiveness of the proposed methods over previous state-of-the-art approaches. The code is available at~\url{https://github.com/Zest86/ACL-PITN}.
- Abstract(参考訳): 非侵襲的なセンサーによる血圧モニタリングは、快適なユーザー体験を提供することで人気を集めており、その1つはスマートウェアラブルの重要な機能である。
快適なユーザエクスペリエンスを提供する一方で、このような手法は、侵入的あるいは強迫的BP地下構造の測定を考慮し、各被験者に対して個別のモデルを訓練するための大量の現実的なデータを要求することに悩まされている。
この課題に対処するために、非常に限られたデータで正確なBP推定を可能にするために、逆相関学習を備えた新しい物理インフォームド・テンポラル・ネットワーク~(PITN)を導入する。
具体的には,まず物理インフォームドニューラルネットワーク~(PINN)を時間ブロックで拡張し,BP動態の多周期性を検討した。
次に, 対人訓練を駆使して生理的時系列データを生成し, スパース訓練データを用いてPITNの堅牢性を向上する。
さらに, コントラスト学習を用いて, 心血管生理現象の識別的変化を捉えた。
このアプローチは、異なる血圧値のサンプル群を分離しながら、潜在空間における同様の血圧値で生理的信号を集約する。
生体インピーダンス, PPG, ミリ波) の異なる適応性を持つ3つの広帯域データセットに対する実験は, 従来の最先端手法よりも提案手法の優位性と有効性を示した。
コードは~\url{https://github.com/Zest86/ACL-PITN}で入手できる。
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) - TransfoRhythm: A Transformer Architecture Conductive to Blood Pressure Estimation via Solo PPG Signal Capturing [5.255373360156652]
本稿では,最近リリースされた生理学データベースMIMIC-IV上に構築されたトランスフォーマーベースのアーキテクチャであるTransfoRhythmフレームワークを紹介する。
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) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - InsightNet: non-contact blood pressure measuring network based on face
video [9.824584818736032]
血圧データは、主にコンタクトセンサーを通じて取得され、高いメンテナンスが必要であり、不便で、一部の人々にとって親しみやすい。
本稿では,顔画像に基づく非接触血圧計測ネットワークを初めて提案する。
論文 参考訳(メタデータ) (2022-03-07T07:06:42Z) - PhysFormer: Facial Video-based Physiological Measurement with Temporal
Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。
本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文 参考訳(メタデータ) (2021-11-23T18:57:11Z) - Machine-Learning Identification of Hemodynamics in Coronary Arteries in
the Presence of Stenosis [0.0]
人工ニューラルネットワーク(ANN)モデルは、動脈ネットワーク内の圧力と速度を予測するために合成データを用いて訓練される。
モデルの有効性を3つの実測値を用いて検証した。
論文 参考訳(メタデータ) (2021-11-02T23:51:06Z) - 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) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳(メタデータ) (2020-07-16T09:39:17Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳(メタデータ) (2020-01-08T15:47:08Z)
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。