Remote Blood Pressure Measurement Through Facial PPG Signals
Notice bibliographique
Résumé
Blood pressure (BP) is a measure of the force exerted by blood against the walls of arteries as the heart pumps it throughout the body. Today, isolated patients require regular and precise blood pressure measurements. The current sphygmomanometers demand a contact-based measurement setup using cuffs, which increases the risk of infection and skin sensitivity. The dataset comprises videos of 142 participants engaged in three activities. These activities were recorded using an iPhone 11 camera mounted on a tripod, and the videos underwent preprocessing techniques that includes background removal, face detection, selection of region of interest (ROI), and isolation of RGB channels. Motion artifacts removal is done by Richardson Lucy Algorithm - a blind deconvolution method which restores the image with high PSNR, BRISQUE score and edge sharpness. Extraction of ROI by UNET segmentation is done using rectangular shaped mask which has given good predictions with 95.02% accuracy. For non-contact BP measurement, Photoplethysmography (PPG) signals are extracted from each channel of the video. Two parameters, Pulse Transit Time (PTT) and Pulse Amplitude Ratio (PAR), are extracted from each dicrotic notches of PPG signal. Gradient Boosting Machine algorithm estimates both systolic and diastolic pressure with a minimum Root mean square error (RMSE) of 0.09 and an accuracy mean of 99.08%, outperforming the Multiple Linear Regression, Random Forest Classifier and Support Vector Machine algorithms.
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 ».