Subject-Based Model for Reconstructing Arterial Blood Pressure from Photoplethysmogram
Notice bibliographique
Résumé
The continuous prediction of arterial blood pressure (ABP) waveforms via non-invasive methods is of great significance for the prevention and treatment of cardiovascular disease. Photoplethysmography (PPG) can be used to reconstruct ABP signals due to having the same excitation source and high signal similarity. The existing methods of reconstructing ABP signals from PPG only focus on the similarities between systolic, diastolic, and mean arterial pressures without evaluating their global similarity. This paper proposes a deep learning model with a W-Net architecture to reconstruct ABP signals from PPG. The W-Net consists of two concatenated U-Net architectures, the first acting as an encoder and the second as a decoder to reconstruct ABP from PPG. Five hundred records of different lengths were used for training and testing. The experimental results yielded high values for the similarity measures between the reconstructed ABP signals and their reference ABP signals: the Pearson correlation, root mean square error, and normalized dynamic time warping distance were 0.995, 2.236 mmHg, and 0.612 mmHg on average, respectively. The mean absolute errors of the SBP and DBP were 2.602 mmHg and 1.450 mmHg on average, respectively. Therefore, the model can reconstruct ABP signals that are highly similar to the reference ABP signals.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».