論文の概要: Cuffless, calibration-free hemodynamic monitoring with physics-informed machine learning models

• arxiv url: http://arxiv.org/abs/2601.00081v1
• Date: Wed, 31 Dec 2025 19:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.246721
• Title: Cuffless, calibration-free hemodynamic monitoring with physics-informed machine learning models
• Title（参考訳）: 物理インフォームド機械学習モデルを用いたカフレス・キャリブレーションフリー血行動態モニタリング
• Authors: Henry Crandall, Tyler Schuessler, Filip Bělík, Albert Fabregas, Barry M. Stults, Alexandra Boyadzhiev, Huanan Zhang, Jim S. Wu, Aylin R. Rodan, Stephen P. Juraschek, Ramakrishna Mukkamala, Alfred K. Cheung, Stavros G. Drakos, Christel Hohenegger, Braxton Osting, Benjamin Sanchez,
• Abstract要約: 我々は,カフレス血行動態モニタリングのためのリアルタイム電気バイオインダプタンス(BioZ)センサを備えたスマートウォッチデバイスを開発した。 流体力学の原理を取り入れた信号タグ付き物理情報ニューラルネットワークは、血圧と血流のキャリブレーションのない推定を可能にする。
• 参考スコア（独自算出の注目度）: 26.687050083468453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wearable technologies have the potential to transform ambulatory and at-home hemodynamic monitoring by providing continuous assessments of cardiovascular health metrics and guiding clinical management. However, existing cuffless wearable devices for blood pressure (BP) monitoring often rely on methods lacking theoretical foundations, such as pulse wave analysis or pulse arrival time, making them vulnerable to physiological and experimental confounders that undermine their accuracy and clinical utility. Here, we developed a smartwatch device with real-time electrical bioimpedance (BioZ) sensing for cuffless hemodynamic monitoring. We elucidate the biophysical relationship between BioZ and BP via a multiscale analytical and computational modeling framework, and identify physiological, anatomical, and experimental parameters that influence the pulsatile BioZ signal at the wrist. A signal-tagged physics-informed neural network incorporating fluid dynamics principles enables calibration-free estimation of BP and radial and axial blood velocity. We successfully tested our approach with healthy individuals at rest and after physical activity including physical and autonomic challenges, and with patients with hypertension and cardiovascular disease in outpatient and intensive care settings. Our findings demonstrate the feasibility of BioZ technology for cuffless BP and blood velocity monitoring, addressing critical limitations of existing cuffless technologies.
• Abstract（参考訳）: ウェアラブル技術は、心臓血管の健康指標を継続的に評価し、臨床管理を導くことによって、循環器および在宅血行動態モニタリングを変革する可能性がある。 しかし、既存の血圧モニタリング用カフレスウェアラブルデバイスは、パルス波解析やパルス到着時間などの理論的基礎が欠如している手法に依存しており、その正確さと臨床的有用性を損なう生理学的、実験的共同設立者に脆弱である。 そこで我々は,カフレス血行動態モニタリングのためのリアルタイム電気バイオインダプタンス(BioZ)センサを備えたスマートウォッチデバイスを開発した。 我々は,BioZとBPの生物物理学的関係を大規模解析・計算モデルを用いて解明し,手首の脈動性BioZ信号に影響を与える生理的・解剖学的・実験的パラメータを同定した。 流体力学の原理を取り入れた信号タグ付き物理情報ニューラルネットワークにより、BPと放射・軸流速度のキャリブレーションフリーな推定が可能となる。 身体的・自律的な課題を含む身体活動や、外来および集中治療環境において高血圧や心血管疾患の患者に対して、健常者および身体活動後の健常者に対して、我々のアプローチを試験した。 以上の結果から,カフレスBPおよび血流モニタリングにおけるBioZ技術の有用性が示唆され,既存のカフレス技術の限界に対処できる可能性が示唆された。

関連論文リスト

• PMB-NN: Physiology-Centred Hybrid AI for Personalized Hemodynamic Monitoring from Photoplethysmography [2.578526056248276]
  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。
  論文  参考訳（メタデータ） (2025-12-11T15:32:50Z)
• Fast Voxel-Wise Kinetic Modeling in Dynamic PET using a Physics-Informed CycleGAN [55.27156760515792]
  我々は、DCE-MRI量子化と動的PET量子化の約束を示す物理インフォームドCycleGANを採用する。 実験では、基準によく似た音響AIF予測とパラメータマップを実証した。
  論文  参考訳（メタデータ） (2025-10-27T09:17:02Z)
• 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)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• PITN: 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。 具体的には,まず物理インフォームドニューラルネットワーク(PINN)を時間ブロックで拡張し,BP力学の多周期性について検討する。 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)
• 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)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。