Unobtrusive Detection of Simulated Orthostatic Hypotension and Supine Hypertension Using Ballistocardiogram and Electrocardiogram of Healthy Adults
Notice bibliographique
Résumé
Effective management of neurogenic orthostatic hypotension and supine hypertension (SH-OH) due autonomic failure requires a frequent and timely adjustment of medication throughout the day to maintain the blood pressure (BP) within the normal range, i.e., an accurate depiction of BP is a key prerequisite of effective management. One of the emerging technologies that provide one's circadian and long-term physiological status with increased usability is unobtrusive zero-effort monitoring. In this paper, a zero-effort device, a floor tile, was used to develop an unobtrusive BP monitoring technique. Namely, RJ-interval, the time between the J-peak of a ballistocardiogram and the R-peak of an electrocardiogram, was used to develop a classifier that can detect changes in systolic BP (SBP) induced by the Valsalva maneuver on healthy adults (i.e., a simulated SH-OH). A t-test was used to show statistical differences between the mean RJ-intervals of decreased SBP, baseline, and increased SBP. Following the t-test, a classifier that detected a change in SBP was developed based on a naïve Bayes classifier (NBC). The t-test showed a clear statistical difference between the mean RJ-intervals of the increased SBP, baseline, and decreased SBP. The NBC-based classifier was able to detect increased SBP with 89.3% true positive rate (TPR), 100% true negative rate (TNR), and 94% accuracy and detect decreased SBP with 92.3% TPR, 100% TNR, and 95% accuracy. The analysis showed strong potential in using the developed classifier to assist monitoring of people with SH-OH; the algorithm may be used clinically to detect a long-term trend of symptoms of SH-OH.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».