論文の概要: A Multidimensional Data-Driven Hybrid Transformer Framework for Non-invasive Continuous Blood Pressure Prediction

• arxiv url: http://arxiv.org/abs/2608.23276v1
• Date: Mon, 24 Aug 2026 14:02:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:37.012254
• Title: A Multidimensional Data-Driven Hybrid Transformer Framework for Non-invasive Continuous Blood Pressure Prediction
• Title（参考訳）: 非侵襲的連続血圧予測のための多次元データ駆動型ハイブリッドトランスフレームワーク
• Abstract要約: 本稿では,ECG/III特徴系列から拡張型および収縮型BPを推定するハイブリッドトランスフォーマーフレームワークを提案する。 このフレームワークは、生の波形ではなく、生理的記述子の10段階のシーケンスと、2つの人口統計学的コをモデル化する。
• 参考スコア（独自算出の注目度）: 28.58502100288247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective. To develop and evaluate a cuffless continuous blood pressure (BP) estimator using temporal physiological and demographic features. We propose a hybrid Transformer framework to estimate diastolic and systolic BP from ECG/PPG-derived feature sequences. Approach. Rather than raw waveforms, the framework models 10-step sequences of six physiological descriptors and two demographic covariates. A Multi-Source Temporal Encoder Module combines Transformer, Kolmogorov-Arnold Network, and XGBoost branches to capture complementary temporal, nonlinear, and tabular information. A Dynamic Conditional Fusion-Decoder applies differential multi-head attention, token-weighted aggregation, and gated residual correction. A robust composite objective jointly optimizes DBP and SBP. Main results. Using the MIMIC-III Waveform and Clinical Databases, the source pool comprised 28,486 waveform segments from 203 subjects, and feature generation retained 53,621 observations from 166 subjects. On 2,431 segment-level held-out test windows, mean error +/- standard deviation was 0.41 +/- 3.74 mmHg for diastolic BP and -1.60 +/- 5.95 mmHg for systolic BP, with 95% limits of agreement of [-6.93, 7.74] and [-13.25, 10.06] mmHg, respectively. The proportions within 10 mmHg were 98.48% and 94.36%. The framework achieved the lowest standard deviations and narrowest limits of agreement among the locally retrained baselines. Significance. The feature-sequence fusion framework improved agreement with reference BP and fell within numerical AAMI and BHS Grade A thresholds on this split. This retrospective analysis is not formal device validation; subject-disjoint and external evaluation remain necessary before clinical use.
• Abstract（参考訳）: 目的。 時間的生理的特徴および人口統計学的特徴を用いて、カフレス連続血圧(BP)推定器を開発、評価する。 本稿では,ECG/PPG由来の特徴系列から拡張型および収縮型BPを推定するハイブリッドトランスフォーマーフレームワークを提案する。 アプローチ。 このフレームワークは生の波形ではなく、6つの生理的記述子と2つの人口的共変体の10段階のシーケンスをモデル化する。 マルチソースのテンポラルエンコーダモジュールはTransformer、Kolmogorov-Arnold Network、XGBoostブランチを組み合わせて、補完的な時間的、非線形、および表の情報をキャプチャする。 Dynamic Conditional Fusion-Decoderは、差分多重ヘッドアテンション、トークン重み付けアグリゲーション、ゲート残差補正を適用する。 頑健な複合目的物はDBPとSBPを共同最適化する。 主な結果。 MIMIC-III Waveform and Clinical Databasesを用いて、203名の被験者から28,486個の波形を抽出し、166名の被験者から53,621個の特徴発生を観測した。 2,431個のセグメントレベルのホールドアウトテストウィンドウでは、平均誤差 +/- 標準偏差は、拡張型BPでは 0.41 +/- 3.74 mmHg、シストリックBPでは -1.60 +/- 5.95 mmHg、それぞれ [-6.93, 7.74] と [-13.25, 10.06] mmHg である。 10 mmHg以内の比率は98.48%と94.36%である。 この枠組みは、局所的に再訓練されたベースラインの中で、最低限の標準偏差と最小限の合意を達成した。 重要なこと。 特徴系列融合フレームワークは参照BPとの整合性を向上し,AAMIおよびBHSグレードAの範囲内に低下した。 この振り返り分析は、正式な装置検証ではなく、臨床使用までには、主観的不整合と外的評価が必要である。

関連論文リスト

• Single-Beat Cuffless Blood Pressure Estimation Using Ear-PPG and ECG with a Lightweight Hybrid Learning Framework [0.7015649288674913]
  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。
  論文  参考訳（メタデータ） (2026-07-29T16:00:39Z)
• Attractor-Vascular Coupling Theory: Formal Grounding and Empirical Validation for AAMI-Standard Cuffless Blood Pressure Estimation from Smartphone Photoplethysmography [1.1344265020822928]
  AAMI標準推定に十分な血圧情報を符号化している。 Takens遅延埋め込みとアトラクタ形態抽出を用いて操作する。
  論文  参考訳（メタデータ） (2026-05-11T17:24:42Z)
• Linking spatial biology and clinical histology via Haiku [35.723756132708026]
  マルチプレクシド免疫蛍光(mIF)を訓練した3モーダルコントラスト学習モデルHaikuについて紹介する。 11種類の臓器にまたがる1,606人の患者から3,218の組織から267万個の空間パッチを採取する。
  論文  参考訳（メタデータ） (2026-04-30T18:53:32Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• Representation Before Training: A Fixed-Budget Benchmark for Generative Medical Event Models [0.3250525349446657]
  我々は,表現決定が1世紀前の事前学習予算の共有後の下流予測にどのように影響するかを評価する。 我々はMIMIC-IVで28個の整形トランスを訓練し,30個の臨床結果について評価した。
  論文  参考訳（メタデータ） (2026-04-18T01:38:47Z)
• Detecting Neurovascular Instability from Multimodal Physiological Signals Using Wearable-Compatible Edge AI: A Responsible Computational Framework [0.0]
  ウェアラブル互換の生理信号から神経血管不安定性(NVI)を検出するためのマルチモーダルMLフレームワークであるMeraguardを提案する。 毎年1220万回のインシデントストロークで、連続したマルチモーダルな生理的モニタリングは、コミュニティスケールのスクリーニングへの実践的なパスを提供する。
  論文  参考訳（メタデータ） (2026-03-20T19:17:46Z)
• CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
  本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。 エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。 データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
  論文  参考訳（メタデータ） (2025-11-20T03:38:46Z)
• Clinical-Grade Blood Pressure Prediction in ICU Settings: An Ensemble Framework with Uncertainty Quantification and Cross-Institutional Validation [0.0]
  血圧モニタリング(BP)は集中治療室(ICU)において重要であり、血行動態の不安定性は心臓血管の崩壊に急速に進展する。 現在の機械学習(ML)アプローチには、外部検証の欠如、不確実な定量化の欠如、データ漏洩防止の不適切な3つの制限がある。 本研究は,新しいアルゴリズムリーク防止,不確実性定量化,施設間検証を含む,初めての包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-07-21T11:15:33Z)
• Diagnosis of Pulmonary Hypertension by Integrating Multimodal Data with a Hybrid Graph Convolutional and Transformer Network [32.50971951245164]
  本研究は,深層学習に基づく肺高血圧症(PH)診断モデルの開発と評価である。 患者を非PH、毛細管前PH、または毛細管後PHに分類するように設計されている。 マルチモーダルデータを効果的に統合することで、臨床的な意思決定を支援することができる。
  論文  参考訳（メタデータ） (2025-03-28T01:14:17Z)
• 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)

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。