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
- A Multi-scenario Attention-based Generative Model for Personalized Blood Pressure Time Series Forecasting [6.311504297463515]
連続血圧モニタリングは、重要なケア設定において、タイムリーな診断と介入に不可欠である。
本研究では,心電図(ECG)と光胸腺図( Photoplethysmogram)の信号を用いたパーソナライズされたBP予測モデルを提案する。
実験は,60名の被験者からBP測定を行った3つのシナリオから収集したデータセットを用いて行った。
論文 参考訳(メタデータ) (2024-09-07T04:24:15Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳(メタデータ) (2024-07-28T02:42:36Z) - BP-DeepONet: A new method for cuffless blood pressure estimation using
the physcis-informed DeepONet [2.8391355909797644]
動脈血圧(ABP)波形は、心臓周期を通して連続的な血圧測定を提供する。
本研究では, ABP波形を予測するための物理情報を用いたDeepONetアプローチに基づく新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-29T06:11:21Z) - 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) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳(メタデータ) (2022-02-08T10:03:24Z) - 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) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳(メタデータ) (2020-10-28T15:05:08Z) - 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) - 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。