論文の概要: Single-Beat Cuffless Blood Pressure Estimation Using Ear-PPG and ECG with a Lightweight Hybrid Learning Framework

• arxiv url: http://arxiv.org/abs/2607.27076v1
• Date: Wed, 29 Jul 2026 16:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.73487
• Title: Single-Beat Cuffless Blood Pressure Estimation Using Ear-PPG and ECG with a Lightweight Hybrid Learning Framework
• Title（参考訳）: 軽量ハイブリッド学習フレームワークを用いたEar-PPGとECGを用いたシングルビートカフレス血圧推定
• Abstract要約: 連続カフレス血圧モニタリング(BP)は、運動人工物、生理的変動性、および従来のパルス遷移時間(PTT)モデルの動的条件下でのロバスト性に制限があるため、困難である。 本稿では、BP関連情報を単拍レベルで保存し、連続BP推定のための軽量なマルチモーダルウェアラブルフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.7015649288674913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous cuffless blood pressure (BP) monitoring remains challenging due to motion artifacts, physiological variability, and the limited robustness of conventional pulse transit time (PTT) models under dynamic conditions. Many prior approaches rely on multi-second windows to stabilize estimation, an assumption that is frequently violated during real-world monitoring with intermittent signal corruption. Here, we show that discriminative BP-related information is preserved at the single-beat level and present a lightweight multi-modal wearable framework for continuous BP estimation. The system integrates synchronized chest electrocardiography (ECG) and ear-clip reflectance photoplethysmography, each co-located with a 6-axis inertial measurement unit to provide motion context. We introduce a hybrid learning architecture in which a one-dimensional convolutional neural network extracts a 64-dimensional embedding from individual PPG beats and fuses it with 30 physiology-grounded features, including PTT statistics and heart rate variability, followed by LightGBM regression. The method was evaluated using a multi-phase stress protocol ($n=10$) and the PulseDB public dataset with subject-disjoint validation. Across 30 independent runs, the model achieved mean absolute errors of $4.02 \pm 0.21$~mmHg for systolic BP and $1.79 \pm 0.05$~mmHg for diastolic BP, corresponding to a 28.2\% reduction in combined MAE relative to baseline models. By enabling beat-wise estimation without long temporal context, this framework supports computationally efficient cuffless BP monitoring suitable for wearable deployment under practical resource constraints. The source code for this work is available at https://github.com/SYMBIOX-Lab/BP-wireless.
• Abstract（参考訳）: 連続カフレス血圧モニタリング(BP)は、運動アーチファクト、生理的変動性、および従来のパルス遷移時間(PTT)モデルの動的条件下でのロバスト性に制限があるため、依然として困難である。 従来の多くのアプローチは、間欠的な信号破壊を伴う実世界の監視において頻繁に違反される仮定である推定を安定化するために、マルチ秒ウィンドウに依存していた。 本稿では、BP関連情報を単拍レベルで保存し、連続BP推定のための軽量なマルチモーダルウェアラブルフレームワークを提案する。 このシステムは、同期胸部心電図(ECG)と耳クリップ反射光胸腺撮影を統合し、それぞれが6軸慣性測定ユニットと同時配置され、運動コンテキストを提供する。 1次元畳み込みニューラルネットワークが個々のPSGビートから64次元の埋め込みを抽出し、PTT統計や心拍変動など30の生理的特徴を融合するハイブリッド学習アーキテクチャを導入する。 提案手法は,多相ストレスプロトコル(n=10$)とPulseDB公開データセットを用いて主観的不随性検証を行った。 30回の独立ランでは、サイストリックBPの4.02 \pm 0.21$~mmHg、拡張BPの1.79 \pm 0.05$~mmHgという平均絶対誤差を達成した。 このフレームワークは、長時間の時間的制約なしにビートワイズ推定を可能にすることにより、実用的なリソース制約下でのウェアラブルデプロイメントに適した計算効率の良いカフレスBPモニタリングをサポートする。 この作業のソースコードはhttps://github.com/SYMBIOX-Lab/BP-wireless.comで公開されている。

関連論文リスト

• SIFPBPNet: A Dual-Path Network for Wearable and Cuffless Blood Pressure Estimation via Individualized Steady-state Representation [7.798066931950822]
  血圧モニタリング(BP)は、低コストでパーソナライズされた心臓血管の健康管理に非常に関心がある。 SIFPBPNetと呼ばれるデュアルパスアーキテクチャを提案し、定常的特徴と瞬時的特徴を別々に表現する。 大規模ウェアラブルデータセットの実験では、SIFPBPNetがそれぞれ、シストーリックBPと拡張BPの平均絶対誤差(MAE)が8.57mmHgと5.97mmHgに達することが示されている。
  論文  参考訳（メタデータ） (2026-09-11T10:36:46Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• DMT: Demographic Conditioning, Morphology-Enhanced Transformer for Cuffless Blood Pressure Estimation from PPG Signals [4.839226773937583]
  血圧(BP)は、心血管疾患のリスク評価と治療的意思決定の鍵となるマーカーである。 Photoplethysmography (PPG)は低コストでウェアラブルフレンドリーなカフレスBP推定を可能にする。 PPG信号からのカフレスBP推定のためのTransformer-based networkを提案する。
  論文  参考訳（メタデータ） (2026-06-09T17:23:07Z)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• Cuffless Blood Pressure Estimation from Six Wearable Sensor Modalities in Multi-Motion-State Scenarios [0.7871262900865523]
  拡張期BP(SBP)は3.60mmHgの平均絶対誤差(MAE)、拡張期BP(DBP)は3.01mmHgである。 臨床の観点からは、British Hypertension Society (BHS)プロトコルに従って、SBP、DBP、MAPのグレードAに達する。
  論文  参考訳（メタデータ） (2025-12-01T13:26:30Z)
• 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)
• 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)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)

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。