Fugu-MT 論文翻訳(概要): A Multi-scenario Attention-based Generative Model for Personalized Blood Pressure Time Series Forecasting

論文の概要: A Multi-scenario Attention-based Generative Model for Personalized Blood Pressure Time Series Forecasting

arxiv url: http://arxiv.org/abs/2409.04704v1
Date: Sat, 7 Sep 2024 04:24:15 GMT
ステータス: 処理完了
システム内更新日: 2024-09-10 21:14:48.222891
Title: A Multi-scenario Attention-based Generative Model for Personalized Blood Pressure Time Series Forecasting
Title（参考訳）: パーソナライズされた血圧時系列予測のための多シナリオ注意に基づく生成モデル
Authors: Cheng Wan, Chenjie Xie, Longfei Liu, Dan Wu, Ye Li,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 6.311504297463515
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Continuous blood pressure (BP) monitoring is essential for timely diagnosis and intervention in critical care settings. However, BP varies significantly across individuals, this inter-patient variability motivates the development of personalized models tailored to each patient's physiology. In this work, we propose a personalized BP forecasting model mainly using electrocardiogram (ECG) and photoplethysmogram (PPG) signals. This time-series model incorporates 2D representation learning to capture complex physiological relationships. Experiments are conducted on datasets collected from three diverse scenarios with BP measurements from 60 subjects total. Results demonstrate that the model achieves accurate and robust BP forecasts across scenarios within the Association for the Advancement of Medical Instrumentation (AAMI) standard criteria. This reliable early detection of abnormal fluctuations in BP is crucial for at-risk patients undergoing surgery or intensive care. The proposed model provides a valuable addition for continuous BP tracking to reduce mortality and improve prognosis.
Abstract（参考訳）: 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。しかし、BPは個人によって大きく異なるため、患者間の変動は各患者の生理に合わせたパーソナライズされたモデルの開発を動機付けている。本研究では,心電図(ECG)と光胸腺図(PPG)の信号を用いた個人別BP予測モデルを提案する。この時系列モデルは2次元表現学習を取り入れ、複雑な生理的関係を捉える。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。その結果,AAMI(Association for the Advancement of Medical Instrumentation)基準におけるBP予測の正確かつ堅牢な予測が得られた。 BPの異常変動の確実な早期発見は、手術や集中治療を受けるリスクの高い患者にとって重要である。提案モデルでは,死亡率の低下と予後の改善のために,連続BP追跡に付加価値がある。

関連論文リスト

Adversarial Contrastive Learning Based Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation [37.94387581519217]
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。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。
論文参考訳（メタデータ） (2024-08-16T02:17:21Z)
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)
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)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
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)
SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文参考訳（メタデータ） (2021-08-31T08:23:56Z)
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)
When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文参考訳（メタデータ） (2021-06-07T18:31:47Z)
Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文参考訳（メタデータ） (2020-07-16T17:43:13Z)
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)
Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。