Nonlinear Dynamic Modeling of Blood Pressure Waveform: Towards an Accurate Cuffless Monitoring System
Notice bibliographique
Résumé
The objective is to develop a cuffless modelling approach to accurately estimate the blood pressure (BP) waveform and extract important BP features, such as the systolic BP (SBP), diastolic BP (DBP), and mean BP (MAP). Access to the full waveform has significant advantages over previous cuffless BP estimation tools in terms of accuracy and access to additional cardiovascular health markers (e.g., cardiac output), as well as potentially providing arterial stiffness and identifying different cardiovascular diseases. Nonlinear autoregressive models with exogenous input (NARX) are implemented using an artificial neural network to predict the BP waveforms using electrocardiography (ECG), and/or photoplethysmography (PPG) signals as inputs. The efficacy of the model is compared with a pulse arrival time (PAT) model using 15 subjects from the MIMIC II database. Two training modes are considered: training on the first eight minutes of data for each subject (Predictive training) and testing on the rest (up to 5.2 hours); and training on the first and the last eight minutes (Interval training) and testing the model in between. Predictive training and Interval training exhibited similar results initially, while Interval training resulted in higher accuracy over longer periods. The proposed method models the BP as a dynamical system leading to better accuracy in the estimation of SBP, DBP and MAP when compared to the PAT model. Moreover, the NARX model, with its ability to provide the BP waveform, yields more insight into patient health.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».