Hypertension Management via Photoplethysmography: An Ensemble Learning-Based Approach for Classification of Blood Pressure Using Fourier Synchrosqueezed Transform
Notice bibliographique
Résumé
As the global prevalence of hypertension continues to rise, researchers have increasingly explored the potential of artificial intelligence (AI) for developing self-tracking blood pressure (BP) monitoring systems.An ideal approach would utilize photoplethysmography (PPG) signals, as they enable non-invasive wearable-based hypertension monitoring without reliance on cuff-based devices.This study investigated a PPG-based system for automated BP classification using an ensemble bagging technique with 200 decision trees.Given the nonstationary properties and motion artifact susceptibility of PPG signals, time-frequency (TF) analysis was conducted using Fourier Synchrosqueezed Transforms (FSST) to generate high-resolution TF representations.A set 44 features were extracted from the transformed signals, revealing the dynamic statistical properties over time.Three experimental models were trained on datasets incorporating different FSST variables.Unlike prior studies using small datasets, the models were trained on a large dataset comprising 46,572 subjectsegments across varied BP ranges, collected from the MIMIC-III intensive care database.This large dataset allowed boosting models accuracies and generalizability, achieving 100% training accuracy and 95.7% to 96.9% testing accuracy across the FSST experimental settings.The system also showed excellent results on three different classification tasksnormotension vs. hypertension, normotension vs. prehypertension, and non-hypertension vs. hypertension -with F1 scores reaching 99.1%.Moreover, the lightweight decision tree models enabled training in just minutes on this large dataset, indicating low computational complexity.Overall, this study presents an efficient PPG-based hypertension classification system.Results suggest potential for convenient clinical-grade BP monitoring beyond healthcare settings.
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 ».