Hypertension Assessment via ECG and PPG Signals: An Evaluation Using MIMIC Database
Notice bibliographique
Résumé
Cardiovascular diseases (CVDs) have become the biggest threat to human health, and they are accelerated by hypertension. The best way to avoid the many complications of CVDs is to manage and prevent hypertension at an early stage. However, there are no symptoms at all for most types of hypertension, especially for prehypertension. The awareness and control rates of hypertension are extremely low. In this study, a novel hypertension management method based on arterial wave propagation theory and photoplethysmography (PPG) morphological theory was researched to explore the physiological changes in different blood pressure (BP) levels. Pulse Arrival Time (PAT) and photoplethysmogram (PPG) features were extracted from electrocardiogram (ECG) and PPG signals to represent the arterial wave propagation theory and PPG morphological theory, respectively. Three feature sets, one containing PAT only, one containing PPG features only, and one containing both PAT and PPG features, were used to classify the different BP categories, defined as normotension, prehypertension, and hypertension. PPG features were shown to classify BP categories more accurately than PAT. Furthermore, PAT and PPG combined features improved the BP classification performance. The F1 scores to classify normotension versus prehypertension reached 84.34%, the scores for normotension versus hypertension reached 94.84%, and the scores for normotension plus prehypertension versus hypertension reached 88.49%. This indicates that the simultaneous collection of ECG and PPG signals could detect hypertension.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».