論文の概要: Benchmarking and Enhancing PPG-Based Cuffless Blood Pressure Estimation Methods

• arxiv url: http://arxiv.org/abs/2602.04725v1
• Date: Wed, 04 Feb 2026 16:32:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.625483
• Title: Benchmarking and Enhancing PPG-Based Cuffless Blood Pressure Estimation Methods
• Title（参考訳）: PPGに基づくカフレス血圧推定手法のベンチマークと改善
• Authors: Neville Mathew, Yidan Shen, Renjie Hu, Maham Rahimi, George Zouridakis,
• Abstract要約: PPGに基づく既存の血圧推定モデルは、AAMI/ISO 81060-2のような確立された臨床数値限界を一貫して達成していない。 我々は1,103人の健常成人の101,453個の高品質PSGセグメントからなる標準化されたベンチマークサブセットNBPDBを作成した。 これらのモデルを修正し、モデル精度を向上させるために、年齢、性別、体重指数などの患者人口統計データを追加入力として追加した。
• 参考スコア（独自算出の注目度）: 0.6633201258809686
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Cuffless blood pressure screening based on easily acquired photoplethysmography (PPG) signals offers a practical pathway toward scalable cardiovascular health assessment. Despite rapid progress, existing PPG-based blood pressure estimation models have not consistently achieved the established clinical numerical limits such as AAMI/ISO 81060-2, and prior evaluations often lack the rigorous experimental controls necessary for valid clinical assessment. Moreover, the publicly available datasets commonly used are heterogeneous and lack physiologically controlled conditions for fair benchmarking. To enable fair benchmarking under physiologically controlled conditions, we created a standardized benchmarking subset NBPDB comprising 101,453 high-quality PPG segments from 1,103 healthy adults, derived from MIMIC-III and VitalDB. Using this dataset, we systematically benchmarked several state-of-the-art PPG-based models. The results showed that none of the evaluated models met the AAMI/ISO 81060-2 accuracy requirements (mean error $<$ 5 mmHg and standard deviation $<$ 8 mmHg). To improve model accuracy, we modified these models and added patient demographic data such as age, sex, and body mass index as additional inputs. Our modifications consistently improved performance across all models. In particular, the MInception model reduced error by 23\% after adding the demographic data and yielded mean absolute errors of 4.75 mmHg (SBP) and 2.90 mmHg (DBP), achieves accuracy comparable to the numerical limits defined by AAMI/ISO accuracy standards. Our results show that existing PPG-based BP estimation models lack clinical practicality under standardized conditions, while incorporating demographic information markedly improves their accuracy and physiological validity.
• Abstract（参考訳）: 簡単に取得された光胸腺造影(PPG)信号に基づくカフレス血圧スクリーニングは、拡張性心血管健康評価への実践的な道筋を提供する。 急激な進展にもかかわらず、既存のPSGベースの血圧推定モデルは、AAMI/ISO 81060-2のような確立された臨床的限界を一貫して達成しておらず、以前の評価では、有効な臨床評価に必要な厳密な実験的コントロールが欠如していることが多い。 さらに、一般に使用されるデータセットは異種であり、公正なベンチマークのための生理学的に制御された条件が欠如している。 生理的条件下での公正なベンチマークを可能にするため,MIMIC-IIIおよびVitalDB由来の1,103人の健常成人から101,453人の高品質PSGセグメントからなる標準化されたベンチマークサブセットNBPDBを作成した。 このデータセットを用いて、我々はいくつかの最先端PSGベースのモデルを体系的にベンチマークした。 その結果,AAMI/ISO 81060-2の精度要件(平均誤差$<$ 5 mmHg,標準偏差$<$ 8 mmHg)を満たさないことがわかった。 モデル精度を向上させるため,これらのモデルを修正し,年齢,性別,体重指数などの患者人口統計データを追加入力として追加した。 私たちの変更は、すべてのモデルのパフォーマンスを継続的に改善しました。 特に、MInceptionモデルでは、人口統計データを加えて平均絶対誤差が4.75 mmHg (SBP) と2.90 mmHg (DBP) となり、AAMI/ISOの精度基準で定義された数値限界に匹敵する精度が得られる。 以上の結果から,既存のPPGに基づくBP推定モデルでは,標準条件下での臨床実践性が欠如しており,人口統計情報を組み込むことで,その精度と生理的妥当性が著しく向上することが示唆された。

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)
• Generalizable deep learning for photoplethysmography-based blood pressure estimation -- A Benchmarking Study [1.301501925660781]
  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。
  論文  参考訳（メタデータ） (2025-02-26T14:22:59Z)
• 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)
• 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)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• 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)
• OpenKBP-Opt: An international and reproducible evaluation of 76 knowledge-based planning pipelines [48.547200649819615]
  放射線治療における知識ベース計画(KBP)のための計画最適化モデルを開発するためのオープンフレームワークを構築した。 当フレームワークは, 頭頸部癌100例の基準計画と, 19KBPモデルによる高用量予測を含む。
  論文  参考訳（メタデータ） (2022-02-16T19:18:42Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。