Cuffless Blood Pressure Estimation for Activities of Daily Living
Notice bibliographique
Résumé
This work presents a modelling approach to predict the blood pressure (BP) waveform time series during activities of daily living without the use of a traditional pressure cuff. A nonlinear autoregressive model with exogenous inputs (NARX) is implemented using artificial neural networks and trained to predict the BP waveform time series from electrocardiography (ECG) and forehead photoplethysmography (PPG) input signals. To broaden the range of blood pressures present in the training set, a protocol was implemented that included sitting, standing, walking, Valsalva manoeuvers, and static handgrip exercise. A five-minute interval of data in the sitting position at the end of the day was also used for training. The efficacy of the cuffless BP method for continuous BP estimation over 4.67 hours was evaluated on 3 participants for varying training data segments. A mean absolute error of 6.3 and 5.2 mmHg were achieved for systolic BP and diastolic BP estimates, respectively. Including static handgrips and Valsalva manoeuvers in the training dataset leads to better estimation of the higher ranges of BP observed throughout the day. The proposed method shows potential for estimating the range of BP experienced during activities of daily living.Clinical Relevance- Establishes a method for cuffless continuous blood pressure estimation during activities of daily living that can be used for continuous monitoring and acute hypertension detection.
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 | 0,000 | 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 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 ».