論文の概要: PMB-NN: Physiology-Centred Hybrid AI for Personalized Hemodynamic Monitoring from Photoplethysmography

• arxiv url: http://arxiv.org/abs/2512.10745v1
• Date: Thu, 11 Dec 2025 15:32:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.446544
• Title: PMB-NN: Physiology-Centred Hybrid AI for Personalized Hemodynamic Monitoring from Photoplethysmography
• Title（参考訳）: PMB-NN:光胸部CTによる局所血行動態モニタリングのための生理中心型ハイブリッドAI
• Authors: Yaowen Zhang, Libera Fresiello, Peter H. Veltink, Dirk W. Donker, Ying Wang,
• Abstract要約: 血圧(BP)と血行動態パラメータの連続モニタリングは早期血管障害検出に重要である。 これまで提案した生理的AI手法-PMB-NN(Physiological Model-based Network)による血圧推定は,RとCがパラメータ化した2要素ウィンドケッセルモデルを用いて深層学習を統合する。
• 参考スコア（独自算出の注目度）: 2.578526056248276
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Continuous monitoring of blood pressure (BP) and hemodynamic parameters such as peripheral resistance (R) and arterial compliance (C) are critical for early vascular dysfunction detection. While photoplethysmography (PPG) wearables has gained popularity, existing data-driven methods for BP estimation lack interpretability. We advanced our previously proposed physiology-centered hybrid AI method-Physiological Model-Based Neural Network (PMB-NN)-in blood pressure estimation, that unifies deep learning with a 2-element Windkessel based model parameterized by R and C acting as physics constraints. The PMB-NN model was trained in a subject-specific manner using PPG-derived timing features, while demographic information was used to infer an intermediate variable: cardiac output. We validated the model on 10 healthy adults performing static and cycling activities across two days for model's day-to-day robustness, benchmarked against deep learning (DL) models (FCNN, CNN-LSTM, Transformer) and standalone Windkessel based physiological model (PM). Validation was conducted on three perspectives: accuracy, interpretability and plausibility. PMB-NN achieved systolic BP accuracy (MAE: 7.2 mmHg) comparable to DL benchmarks, diastolic performance (MAE: 3.9 mmHg) lower than DL models. However, PMB-NN exhibited higher physiological plausibility than both DL baselines and PM, suggesting that the hybrid architecture unifies and enhances the respective merits of physiological principles and data-driven techniques. Beyond BP, PMB-NN identified R (ME: 0.15 mmHg$\cdot$s/ml) and C (ME: -0.35 ml/mmHg) during training with accuracy similar to PM, demonstrating that the embedded physiological constraints confer interpretability to the hybrid AI framework. These results position PMB-NN as a balanced, physiologically grounded alternative to purely data-driven approaches for daily hemodynamic monitoring.
• Abstract（参考訳）: 血管障害の早期発見には,血圧 (BP) と末梢抵抗 (R) や動脈コンプライアンス (C) などの血行動態パラメータの連続モニタリングが重要である。 Photoplethysmography(PPG)ウェアラブルは人気があるが、BP推定のための既存のデータ駆動方式は解釈可能性に欠けていた。 物理制約としてRとCがパラメータ化した2要素ウィンドケッセルモデルを用いて深層学習を統一する,生理学的モデルベースニューラルネットワーク(PMB-NN)を用いた血圧推定手法を開発した。 PMB-NNモデルはPPG由来のタイミング特徴を用いて被験者固有の方法で訓練され、人口統計情報は中間変数である心出力を推定するために使用された。 本モデルを用いて,2日間にわたる静的・サイクリング活動を行った10名の健常成人を対象に,深層学習モデル (FCNN, CNN-LSTM, Transformer) とスタンドアローンウィンドケッセルに基づく生理モデル (PM) を比較した。 検証は、正確性、解釈可能性、妥当性の3つの観点で行われた。 PMB-NN は DL ベンチマークに匹敵する BP の精度 (MAE: 7.2 mmHg) を達成し、拡張性能 (MAE: 3.9 mmHg) は DL モデルより低かった。 しかしながら、PMB-NNはDLベースラインとPMよりも高い生理的妥当性を示し、ハイブリッドアーキテクチャは、生理的原則とデータ駆動技術の各利点を統一し、強化することを示唆している。 BP以外にも、PMB-NNはR(ME: 0.15 mmHg$\cdot$s/ml)とC(ME: -0.35 ml/mmHg)をPMと同様の精度で識別し、組み込まれた生理的制約がハイブリッドAIフレームワークの解釈可能性を示すことを示した。 これらの結果から, PMB-NNは, 毎日の血行動態モニタリングのための純粋にデータ駆動型アプローチに代わる, バランスの取れた生理的基盤として位置づけられた。

関連論文リスト

• Dynamic Graph Neural Network for Data-Driven Physiologically Based Pharmacokinetic Modeling [6.816046360590831]
  生理に基づく薬物動態(PBPK)モデリングは、臓器全体にわたる薬物濃度の動態を予測することによって、薬物開発において重要な役割を担っている。 伝統的なアプローチは、強い単純化された仮定を持つ通常の微分方程式に依存しており、非線形生理学的相互作用への適応性を制限している。 本稿では,生理的接続を臓器間の繰り返しメッセージパッシングプロセスとしてモデル化する動的グラフニューラルネットワーク(Dynamic GNN)を提案する。
  論文  参考訳（メタデータ） (2025-10-25T00:40:12Z)
• Physiological-Model-Based Neural Network for Heart Rate Estimation during Daily Physical Activities [3.5717820799814306]
  心不全 (HF) は世界的な健康上の課題であり、早期発見は結果を改善する機会を提供する。 個々の心拍数(HR)の推定は、動的デジタルツインとして機能し、心臓のバイオマーカーの正確な追跡を可能にする。 本研究では,日常の身体活動における酸素摂取量(VO2)データに基づくHR推定のための新しい生理モデルベースニューラルネットワーク(PMB-NN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-11T19:48:08Z)
• From Lab to Wrist: Bridging Metabolic Monitoring and Consumer Wearables for Heart Rate and Oxygen Consumption Modeling [7.104151688826837]
  当社では、コンシューマグレードのウェアラブルデータのみから、即時的な酸素消費トラジェクトリを予測できる最初のフレームワークとして、包括的なフレームワークを導入しています。 本手法では, 1 つの相補的生理モデルを用いて, 1 つの生理的制約付き常微分方程式(ODE)による心拍変動の正確なモデリングと, 300 万回以上の HR 観測に基づいて訓練されたニューラルカルマンフィルタを用いる。 提案手法は, 約13%の平均絶対誤差を達成し, 高速な生理的遷移と各種走行強度の定常条件を効果的に捉えた。
  論文  参考訳（メタデータ） (2025-04-30T18:15:00Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• 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)
• 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。