論文の概要: Generalizable deep learning for photoplethysmography-based blood pressure estimation -- A Benchmarking Study

• arxiv url: http://arxiv.org/abs/2502.19167v1
• Date: Wed, 26 Feb 2025 14:22:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:56:15.189410
• Title: Generalizable deep learning for photoplethysmography-based blood pressure estimation -- A Benchmarking Study
• Title（参考訳）: 光胸腺造影法による血圧推定のための一般化可能な深層学習 --ベンチマークによる検討
• Authors: Mohammad Moulaeifard, Peter H. Charlton, Nils Strodthoff,
• Abstract要約: 光胸腺撮影による血圧推定は、カフベースのBP測定に代わる有望な方法である。 PPG波形からBPを推定する深層学習モデルが提案されている。 これらのモデルは、主に分散テストセットで評価されている。
• 参考スコア（独自算出の注目度）: 1.301501925660781
• License:
• Abstract: Photoplethysmography (PPG)-based blood pressure (BP) estimation represents a promising alternative to cuff-based BP measurements. Recently, an increasing number of deep learning models have been proposed to infer BP from the raw PPG waveform. However, these models have been predominantly evaluated on in-distribution test sets, which immediately raises the question of the generalizability of these models to external datasets. To investigate this question, we trained five deep learning models on the recently released PulseDB dataset, provided in-distribution benchmarking results on this dataset, and then assessed out-of-distribution performance on several external datasets. The best model (XResNet1d101) achieved in-distribution MAEs of 9.4 and 6.0 mmHg for systolic and diastolic BP respectively on PulseDB (with subject-specific calibration), and 14.0 and 8.5 mmHg respectively without calibration. Equivalent MAEs on external test datasets without calibration ranged from 15.0 to 25.1 mmHg (SBP) and 7.0 to 10.4 mmHg (DBP). Our results indicate that the performance is strongly influenced by the differences in BP distributions between datasets. We investigated a simple way of improving performance through sample-based domain adaptation and put forward recommendations for training models with good generalization properties. With this work, we hope to educate more researchers for the importance and challenges of out-of-distribution generalization.
• Abstract（参考訳）: Photoplethysmography (PPG)-based blood pressure (BP) Estimation is a promising alternative to cuff-based BP measurement。 近年,生PSG波形からBPを推定する深層学習モデルが増えている。 しかしながら、これらのモデルは、主に分散テストセットで評価されており、これらのモデルの外部データセットへの一般化可能性に関する疑問がすぐに提起される。 この問題を調査するために、最近リリースされたPulseDBデータセットで5つのディープラーニングモデルをトレーニングし、このデータセットで分散ベンチマーク結果を提供し、その後、複数の外部データセットで分散性能を評価した。 最適なモデル (XResNet1d101) はPulseDBでそれぞれ9.4mmHg, 拡張型BPで6.0mmHg, キャリブレーションなしで14.0mmHg, 8.5mmHgであった。 キャリブレーションのない外部テストデータセットのMAEは15.0から25.1 mmHg (SBP)、7.0から10.4 mmHg (DBP)まで変化した。 以上の結果から, BP分布の差に強い影響があることが示唆された。 サンプルベースドメイン適応による簡易な性能向上手法について検討し,優れた一般化特性を持つトレーニングモデルの提案を行った。 この研究により、アウト・オブ・ディストリビューションの一般化の重要性と課題について、より多くの研究者を教育したいと考えている。

関連論文リスト

• Revisiting BPR: A Replicability Study of a Common Recommender System Baseline [78.00363373925758]
  我々は,BPRモデルの特徴を考察し,その性能への影響を示し,オープンソースのBPR実装について検討する。 分析の結果,これらの実装とオリジナルのBPR論文の矛盾が明らかとなり,特定の実装に対して最大50%の性能低下がみられた。 BPRモデルは、トップnのレコメンデーションタスクにおける最先端メソッドに近いパフォーマンスレベルを達成でき、特定のデータセット上でもパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2024-09-21T18:39:53Z)
• Large Language Models for Cuffless Blood Pressure Measurement From Wearable Biosignals [14.216163316714285]
  大規模言語モデル(LLM)を用いてウェアラブルバイオシグナーを分析し,カフレス血圧(BP)測定を行った。 本稿では,ウェアラブルバイオシグナーを用いたカフレスBP推定のためのLCMのキャパシティを初めて検討する。 提案手法を評価するために,1,272人のウェアラブルバイオシグナーの包括的公開データセットを用いて,10種類の高度なLCMの評価を行った。
  論文  参考訳（メタデータ） (2024-06-26T04:54:45Z)
• 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)
• 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 Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• BP-Net: Cuff-less, Calibration-free, and Non-invasive Blood Pressure Estimation via a Generic Deep Convolutional Architecture [16.36324484557899]
  本稿では,連続的および計算不要な血圧(BP)モニタリングのための堅牢で高精度な処理ソリューションの開発に焦点をあてる。 提案するフレームワークは、より効率的なメモリを提供する新しい畳み込みアーキテクチャである。 提案したBP-Netアーキテクチャは、正準リカレントネットワークよりも正確であり、BP推定タスクの長期ロバスト性を高める。
  論文  参考訳（メタデータ） (2021-12-31T02:34:39Z)
• A Novel Clustering-Based Algorithm for Continuous and Non-invasive Cuff-Less Blood Pressure Estimation [0.0]
  心電図(ECG)信号と動脈血圧(ABP)データから抽出した特徴に基づく血圧推定法を開発した。 クラスタリング手法を適用して, モデル作成の精度を高く評価し, 比較した。 以上の結果から,SBP (Systolic Blood Pressure) とDBP (Distolic Blood Pressure) の精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-10-13T19:16:10Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。