Hybrid Deep Morpho-Temporal Framework for Oscillometric Blood Pressure Measurement
Notice bibliographique
Résumé
Oscillometric blood pressure (BP) measurement devices are widely utilized as the primary automated BP measurement tools in non-specialist environments. However, their accuracy and reliability vary under different settings and for different age groups and health conditions. An essential constraint of current oscillometric BP measurement devices is their analysis algorithms' incapacity to capture the BP information encoded in the pattern of recorded oscillometric pulses to its fullest extent. In this article, we propose a new 2D oscillometric data representation that enables a full characterization of arterial system and empowers the application of deep learning to extract the most informative features correlated with BP. A hybrid convolutional-recurrent neural network was developed to capture the oscillometric pulses morphological information as well as their temporal evolution over the cuff deflation period from the 2D structure, and estimate BP. The performance of the proposed method was verified on three oscillometric databases collected from the wrist and upper arms of 245 individuals. It was found that it achieves a mean error and a standard deviation of error of as low as 0.08 mmHg and 2.4 mmHg in the estimation of systolic BP, and 0.04 mmHg and 2.2 mmHg in the estimation of diastolic BP, respectively. Our proposed method outperformed the state-of-the-art techniques and satisfied the current international standards for BP monitors by a wide margin. The proposed method shows promise toward robust and objective BP estimation in a variety of patients and monitoring situations.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».