Accurate Fiducial Point Detection Using Haar Wavelet for Beat-by-Beat Blood Pressure Estimation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pulse Arrival Time (PAT) derived from Electrocardiogram (ECG) and Photoplethysmogram (PPG) for cuff-less Blood Pressure (BP) measurement has been a contemporary and widely accepted technique. However, the features extracted for it are conventionally from an isolated pulse of ECG and PPG signals. As a result, the estimated BP is intermittent. OBJECTIVE: This paper presents feature extraction from each beat of ECG and PPG signals to make BP measurements uninterrupted. These features are extracted by employing Haar transformation to adaptively attenuate measurement noise and improve the fiducial point detection precision. METHOD: the use of only PAT feature as an independent variable leads to an inaccurate estimation of either Systolic Blood Pressure (SBP) or Diastolic Blood Pressure (DBP) or both. We propose the extraction of supplementary features that are highly correlated to physiological parameters. Concurrent data was collected as per the Association for the Advancement of Medical Instrumentation (AAMI) guidelines from 171 human subjects belonging to diverse age groups. An Adaptive Window Wavelet Transformation (AWWT) technique based on Haar wavelet transformation has been introduced to segregate pulses. Further, an algorithm based on log-linear regression analysis is developed to process extracted features from each beat to calculate BP. RESULTS: The mean error of 0.43 and 0.20 mmHg, mean absolute error of 4.6 and 2.3 mmHg, and Standard deviation of 6.13 and 3.06 mmHg is achieved for SBP and DBP respectively. CONCLUSIONS: The features extracted are highly precise and evaluated BP values are as per the AAMI standards. Clinical Impact: This continuous real-time BP monitoring technique can be useful in the treatment of hypertensive and potential-hypertensive subjects.
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découle