Classifying Abnormal Arterial Pulse Patterns in Cardiovascular Diseases: A Photoplethysmography and Machine Learning Approach
Notice bibliographique
Résumé
In the realm of cardiovascular disease (CVD) diagnostics, the morphological changes in arterial blood pressure (ABP) attributable to various pathologies have long been recognized.This study explores the innovative intersection of photoplethysmography (PPG) signals and machine learning (ML) techniques, focusing on the classification of abnormal arterial pulse (AAP) patterns, a domain hitherto not extensively researched.The challenges of this endeavor, primarily the scarcity of clinically labeled AAP waveform datasets, are acknowledged.This scarcity stems from the difficulty in sourcing volunteers exhibiting diverse disease-related AAPs and the inherent risks associated with ABP measurement procedures.Furthermore, current guidelines do not sufficiently characterize AAP traits, limiting the application of PPG and ML in detecting ABP-related anomalies predominantly to hypertension and hypotension cases.Addressing these gaps, the present study introduces a PPG-based classification system employing k-nearest neighbors (KNN) and bagged trees (BT) algorithms.These were selected for their proficiency in modeling complex, nonlinear relationships while maintaining lower complexity levels compared to alternatives like Deep Neural Networks (DNN) or Support Vector Machines (SVM).Additionally, novel detectors have been developed for identifying key pulse wave features such as troughs and dicrotic notches, crucial for AAP pattern recognition and PPG feature extraction.The methodology encompasses a modeling process that references pathological cases known to manifest specific AAP patterns.An extensive evaluation involving 1,120 PPG and ABP signals yielded impressive accuracies of 90.9% and 91% for KNN and BT algorithms, respectively.Across 11 distinct classes, both algorithms exhibited robust performance, underscoring their potential as effective AAP detectors.These results signify an advancement over existing classifiers, particularly in generating multiple CVD-related classes with reduced complexity at both modular and instance levels.The system's capability to associate AAPs with CVDs positions it as a promising, non-invasive, and cost-effective tool for diverse applications including doctor-assisted diagnosis, remote post-surgery monitoring, nursing alerts, and personalized health management.This approach not only meets emerging healthcare needs but also mitigates the risks associated with current invasive diagnostic practices.
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 ».