Dual-Stream CNN-LSTM Architecture for Cuffless Blood Pressure Estimation From PPG and ECG Signals: A PulseDB Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate and noninvasive blood pressure (BP) monitoring is essential for managing cardiovascular health, yet traditional cuff-based methods are uncomfortable and unsuitable for continuous use. Existing cuffless BP estimation techniques face limitations such as limited feature extraction capabilities, which can result in lower performance, and validation on nonstandard or small datasets, which raises concerns about generalizability. To address these challenges, we propose a novel convolutional neural network (CNN)-long short-term memory (LSTM) architecture that independently processes photoplethysmogram (PPG) and electrocardiogram (ECG) signals through separate CNN layers, enhancing morphological feature extraction. These layers are followed by a multilayer Bi-LSTM network that captures long-term temporal dependencies, improving BP prediction accuracy. Unlike prior studies, we validate our method on the PulseDB dataset, the largest publicly available dataset for BP estimation, comprising cleaned PPG, ECG, and arterial BP (ABP) waveforms from the MIMIC-III and VitalDB databases. Evaluated on data from 3027 individuals using fivefold cross-validation, our model achieved a mean absolute error (MAE) of 5.16 mmHg for systolic BP (SBP) and 3.24 mmHg for diastolic BP (DBP), with consistent performance across various age groups and genders. These results surpassed American National Standards Institute (ANSI)/Association for the Advancement of Medical Instrumentation (AAMI) standards and achieved an “A” grade by British Hypertension Society (BHS) standards, demonstrating the potential of this approach to improve patient comfort and care in diverse clinical and home environments.
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.
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 | 0,001 |
| 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 découle