Novel Method for More Precise Determination of Oscillometric Pulse Amplitude Envelopes
Notice bibliographique
Résumé
Curve fitting for oscillometric waveforms is vital to maximum amplitude algorithm (MAA) in blood pressure measurement. Popular methods in recent years, such as asymmetric Gaussian or Lorentzian functions, perform well when the profile of the oscillometric waveforms (OMW) are close to them. But they will have a relatively large mean square error (MSE) when the oscillometric pulse amplitude envelopes are not so regularly shaped. In this contribution, the artificial neural network (ANN) is implemented instead for the curving fitting. Aided by LabVIEW and MATLAB, its number of neurons in the hidden layer, weight initialization algorithm, training goal and learing algorithm are implemented or carefully considered after some necessary preliminary work. The experiment with 48 subjects ranging in age from 18 to 60 years is included in this research. The results show that the back propagation network with 11 neurons in the hidden layer, 0.0025 as training goal and Levenberg-Marquardt learning algorithm is well enough for the curve fitting. ANN with proposed optimum parameters is then compared with the asymmetric Gaussian/Lorentzian functions. After properly adjust the max epoch, ANN can finish computing the envelope in less than a second (3.3 GHz CPU and 4 GB RAM) in all of our experiments like the other two methods while its MSE is still much lower than the other two methods. Their performance in measuring blood pressure is also compared, and ANN shows greater robustness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».