論文の概要: Longitudinal Wrist PPG Analysis for Reliable Hypertension Risk Screening Using Deep Learning

• arxiv url: http://arxiv.org/abs/2411.11863v1
• Date: Sat, 02 Nov 2024 20:42:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-24 05:33:09.189369
• Title: Longitudinal Wrist PPG Analysis for Reliable Hypertension Risk Screening Using Deep Learning
• Title（参考訳）: 深層学習を用いた信頼性高血圧リスクスクリーニングのための経時的リストPPG解析
• Authors: Hui Lin, Jiyang Li, Ramy Hussein, Xin Sui, Xiaoyu Li, Guangpu Zhu, Aggelos K. Katsaggelos, Zijing Zeng, Yelei Li,
• Abstract要約: 本研究では、ResNetやTransformerなどのディープラーニングモデルを用いて、スマートウォッチで収集した手首PSGデータを分析して、効率的な高血圧リスクスクリーニングを行う。 0.124Mパラメータを持つコンパクトなResNetモデルは、従来の機械学習手法よりも大幅に向上した。
• 参考スコア（独自算出の注目度）: 15.687495234886411
• License:
• Abstract: Hypertension is a leading risk factor for cardiovascular diseases. Traditional blood pressure monitoring methods are cumbersome and inadequate for continuous tracking, prompting the development of PPG-based cuffless blood pressure monitoring wearables. This study leverages deep learning models, including ResNet and Transformer, to analyze wrist PPG data collected with a smartwatch for efficient hypertension risk screening, eliminating the need for handcrafted PPG features. Using the Home Blood Pressure Monitoring (HBPM) longitudinal dataset of 448 subjects and five-fold cross-validation, our model was trained on over 68k spot-check instances from 358 subjects and tested on real-world continuous recordings of 90 subjects. The compact ResNet model with 0.124M parameters performed significantly better than traditional machine learning methods, demonstrating its effectiveness in distinguishing between healthy and abnormal cases in real-world scenarios.
• Abstract（参考訳）: 高血圧は心血管疾患の主要な危険因子である。 従来の血圧モニタリング手法は、連続的なトラッキングには不適切であり、PSGベースの無呼吸血圧モニタリングウェアラブルの開発を促す。 本研究では、ResNetやTransformerなどのディープラーニングモデルを用いて、スマートウォッチで収集した手首PSGデータを解析して、効率的な高血圧リスクスクリーニングを行い、手作りPSG機能を必要としないようにする。 被験者448名, クロスバリデーション5名を対象に, 358名から68万件以上のスポットチェックを行い, 実世界の90名を対象に実験を行った。 0.124Mパラメータを持つコンパクトなResNetモデルは、従来の機械学習手法よりも大幅に向上し、実世界のシナリオにおける健全なケースと異常なケースを区別する効果を実証した。

関連論文リスト

• Machine learning for cerebral blood vessels' malformations [38.524104108347764]
  脳動脈瘤と動静脈奇形は、生命を脅かす脳の血行動態である。 脳血流のパラメータは、リスクアセスメントと治療予後のための機械学習支援プロトコルに利用できる可能性がある。
  論文  参考訳（メタデータ） (2024-11-25T12:58:00Z)
• ArterialNet: Reconstructing Arterial Blood Pressure Waveform with Wearable Pulsatile Signals, a Cohort-Aware Approach [10.186630118011692]
  ArterialNetは、一般化されたパルサタイル-ABP信号変換と、ハイブリッド損失関数と正規化を用いたパーソナライズされた特徴抽出を統合している。 我々はMIMIC-IIIデータセットを用いてArterialNetを検証し,少なくとも標準偏差が58%低い5.41 mmHgの根平均二乗誤差(RMSE)を達成した。
  論文  参考訳（メタデータ） (2024-10-24T16:35:23Z)
• 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)
• 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)
• 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)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• Hypertension Detection From High-Dimensional Representation of Photoplethysmogram Signals [38.497450879376]
  高血圧の早期発見は、重要な健康問題の予防に不可欠である。 いくつかの研究は、血圧と光胸腺図(PPG)のような特定のバイタルシグナルとの関係を示唆している。 本稿では, PPG信号を用いた高血圧検出のために, ランダム畳み込みカーネルに基づく高次元表現手法を提案する。
  論文  参考訳（メタデータ） (2023-07-31T00:09:23Z)
• Predicting Pulmonary Hypertension by Electrocardiograms Using Machine Learning [0.0]
  肺高血圧症(英: lung hypertension, PH)は、肺と心臓の右側の動脈に影響を及ぼす高血圧の病態である。 このプロジェクトの目的は、ECG信号を処理し、信頼確率でPHの存在を検出するニューラルネットワークモデルを作成することである。
  論文  参考訳（メタデータ） (2023-04-24T21:00:16Z)
• 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)
• 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)
• 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。