Robust Feature Selection for BP Estimation in Multiple Populations: Towards Cuffless Ambulatory BP Monitoring
Notice bibliographique
Résumé
Current blood pressure (BP) estimation methods have not achieved an accurate and adaptable approach for ambulatory diagnosis and monitoring applications of populations at risk of cardiovascular disease, generally due to a limited sample size. This paper introduces an algorithm for BP estimation solely reliant on photoplethysmography (PPG) signals and demographic features. It automatically obtains signal features and employs the Markov Blanket (MB) feature selection to discern informative and transmissible features, achieving a robust space adaptable to the population shift. This approach was validated with the Aurora-BP database, compromising ambulatory wearable cuffless BP measurements for over 500 individuals. After evaluating several machine-learning regression methods, Gradient Boosting emerged as the most effective. According to the MB feature selection, temporal, frequency, and demographic features ranked highest in importance, while statistical ones were deemed non-significant. A comparative assessment of a generic model (trained on unclassified BP data) and specialized models (tailored to each distinct BP population), demonstrated a consistent superiority of our proposed MB feature space with a mean absolute error of [Formula: see text] for systolic BP and [Formula: see text] for diastolic BP on the whole dataset. Moreover, we present a first comparison of in-clinic vs. ambulatory models, with performance significantly lower for the latter with a drop of [Formula: see text] in systolic ( ) and [Formula: see text] for diastolic ( ) estimation errors. This work contributes to the resilient understanding of BP estimation algorithms from PPG signals, providing causal features in the signal and quantifying the disparities between ambulatory and in-clinic measurements.
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 ».