論文の概要: INN-PAR: Invertible Neural Network for PPG to ABP Reconstruction

• arxiv url: http://arxiv.org/abs/2409.09021v1
• Date: Fri, 13 Sep 2024 17:48:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-16 15:40:23.528846
• Title: INN-PAR: Invertible Neural Network for PPG to ABP Reconstruction
• Title（参考訳）: INN-PAR:APP再構成のための可逆ニューラルネットワーク
• Authors: Soumitra Kundu, Gargi Panda, Saumik Bhattacharya, Aurobinda Routray, Rajlakshmi Guha,
• Abstract要約: ABP再建のための可逆ニューラルネットワーク(INN-PAR)を提案する。 INN-PARは、フォワードマッピングと逆マッピングの両方を同時に捕捉し、情報損失を防止する。 本稿では,可逆ブロック内のマルチスケール畳み込みモジュール(MSCM)を提案する。
• 参考スコア（独自算出の注目度）: 9.127220498800645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-invasive and continuous blood pressure (BP) monitoring is essential for the early prevention of many cardiovascular diseases. Estimating arterial blood pressure (ABP) from photoplethysmography (PPG) has emerged as a promising solution. However, existing deep learning approaches for PPG-to-ABP reconstruction (PAR) encounter certain information loss, impacting the precision of the reconstructed signal. To overcome this limitation, we introduce an invertible neural network for PPG to ABP reconstruction (INN-PAR), which employs a series of invertible blocks to jointly learn the mapping between PPG and its gradient with the ABP signal and its gradient. INN-PAR efficiently captures both forward and inverse mappings simultaneously, thereby preventing information loss. By integrating signal gradients into the learning process, INN-PAR enhances the network's ability to capture essential high-frequency details, leading to more accurate signal reconstruction. Moreover, we propose a multi-scale convolution module (MSCM) within the invertible block, enabling the model to learn features across multiple scales effectively. We have experimented on two benchmark datasets, which show that INN-PAR significantly outperforms the state-of-the-art methods in both waveform reconstruction and BP measurement accuracy.
• Abstract（参考訳）: 非侵襲的連続血圧モニタリングは、多くの心血管疾患の早期予防に不可欠である。 光胸腺造影(PPG)から動脈血圧(ABP)を推定することが望まれている。 しかし, PPG-to-ABP再構成(PAR)における既存の深層学習手法は, ある情報損失に遭遇し, 再構成信号の精度に影響を及ぼす。 この制限を克服するために,PAGとAPP信号の勾配とのマッピングと勾配を協調的に学習するために,一連の可逆ブロックを用いた,APP再構成のための可逆ニューラルネットワーク(INN-PAR)を導入する。 INN-PARは、フォワードマッピングと逆マッピングの両方を同時に捕捉し、情報損失を防止する。 INN-PARは、信号勾配を学習プロセスに統合することにより、必須の高周波の詳細を捕捉するネットワークの能力を向上し、より正確な信号再構成を実現する。 さらに,可逆ブロック内のマルチスケール畳み込みモジュール (MSCM) を提案する。 INN-PARは、波形再構成とBP測定の精度の両方において、最先端の手法よりも優れていることを示す2つのベンチマークデータセットの実験を行った。

関連論文リスト

• Towards Interpretable Deep Local Learning with Successive Gradient Reconciliation [70.43845294145714]
  グローバルバックプロパゲーション(BP)に対するニューラルネットワークトレーニングの信頼性の回復が、注目すべき研究トピックとして浮上している。 本稿では,隣接モジュール間の勾配調整を連続的に調整する局所的学習戦略を提案する。 提案手法はローカルBPとBPフリー設定の両方に統合できる。
  論文  参考訳（メタデータ） (2024-06-07T19:10:31Z)
• Constraint Latent Space Matters: An Anti-anomalous Waveform Transformation Solution from Photoplethysmography to Arterial Blood Pressure [17.44605140428367]
  動脈血圧 (ABP) は, 心臓血管の健康管理に有効である。 PPG-ABP予測の最近の進歩は、生成モデルと識別モデルの統合を含んでいる。 我々は、量子化されたコードブックを利用して堅牢な潜在空間を生成する、LSCT(Latent Space Constraint Transformer)という革新的なソリューションを提案する。
  論文  参考訳（メタデータ） (2024-02-23T02:31:35Z)
• Residual Feature Pyramid Network for Enhancement of Vascular Patterns [0.0]
  本稿では,認識パイプラインに対する汎用的な前処理手法として,指紋強調技術であるResFPNを提案する。 新規な構造検出ブロック(SDBlock)を用いたボトムアップピラミッドアーキテクチャは,様々な幅の静脈の抽出を容易にする。 提案手法を改良することにより,一般的な認識パイプラインにおける平均認識誤差の最大5%まで低減できることを示す。
  論文  参考訳（メタデータ） (2023-06-29T09:14:42Z)
• Novel Blood Pressure Waveform Reconstruction from Photoplethysmography using Cycle Generative Adversarial Networks [2.0253391348983]
  血圧(BP)の連続モニタリングは、個人が慢性疾患を高血圧として管理するのに役立つ。 クリーンなPSG信号からBP信号を循環性血圧(ABP)として抽出するサイクル生成対向ネットワーク(CycleGAN)を提案する。 提案手法では,GANアーキテクチャをドメイン翻訳に拡張し,BP推定の2倍の精度で最先端の手法を高速化する。
  論文  参考訳（メタデータ） (2022-01-24T22:14:58Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• Towards Evaluating and Training Verifiably Robust Neural Networks [81.39994285743555]
  We study the relationship between IBP and CROWN, and prove that CROWN are always tight than IBP when select each bounding lines。 線形結合伝播(LBP) CROWNの緩やかなバージョンを提案する。これは、大きなネットワークを検証して、より低い検証エラーを得るのに使用できる。
  論文  参考訳（メタデータ） (2021-04-01T13:03:48Z)
• Progressively Guided Alternate Refinement Network for RGB-D Salient Object Detection [63.18846475183332]
  我々は,RGB-Dの高次物体検出のための効率的かつコンパクトなディープネットワークを開発することを目指している。 そこで本研究では,改良のための改良ネットワークを提案する。 我々のモデルは、既存の最先端のアプローチよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2020-08-17T02:55:06Z)
• 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)
• 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)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。