血压测量技术调查:解决潜在偏差来源
探讨使用 PPG 脉搏波分析技术预测血压的可行性,提出了新的评估工具,发现血压预测使用 PPG 多值映射因子为 33.2%,低互信息为 9.8%,这些结果提供了达成通过 PPG 脉搏波分析实现可穿戴式血压测量目标的更为现实的进展情况。
Apr, 2023
我们开发了一个基于校准的 Siamese ResNet 模型,使用与参考血压读数配对的信号输入来估计血压。我们将归一化 PPG(N-PPG)与归一化侵入性动脉血压(N-IABP)信号作为输入进行比较。使用 VitalDB 数据集评估了我们的方法,结果显示 N-IABP 信号在 AAMI 标准下满足收缩压和舒张压的要求,而 N-PPG 信号则表现出较差的性能。我们的发现显示了使用 PPG 估计血压的潜力和限制。
Apr, 2024
高血压是公共卫生领域的重要问题,该研究利用大型语言模型自动提取了血压的平均值和标准差,并通过分析结果验证了利用语言模型研究不同人口因素对血压变化的可行性。
Feb, 2024
本研究基于包含 7500 万条记录的广泛数据集, 探索并分析了血压在年龄、种族和性别等人口统计特征上的变化,结果发现性别对血压变化的影响并不显著,而舒张压在四十多岁年龄组呈现出一个独特的峰值,同时在一些种族群体中发现了血压分布的有趣相似性,这一全面调查为高血压的研究做出了贡献,并强调了考虑各种人口统计特征在理解血压变化中的重要性,研究结果提供了宝贵的洞察,可以为个性化的医疗做出指导。
Feb, 2024
该论文探讨了使用大型语言模型分析可穿戴生物信号实现无袖血压测量的潜力,提出了从心电图和光电波传感图中提取生理特征,并结合血压领域知识和用户信息设计增强上下文的提示信息,通过优化调整大型语言模型,在全面的可穿戴生物信号数据集上取得了令人瞩目的结果。
Jun, 2024
研究探讨了通过大脑生物阻抗 (Brain BIOZ) 来估计血压的方法,并提出了一种新的无袖血压估计方法 BrainZ-BP。使用大脑生物阻抗的脉冲传递时间和形态特征,通过四个回归模型估计血压,结果表明该方法在收缩压和舒张压估计上具有很好的表现,适用于基于大脑生物阻抗的颅内压监测场景,实现同时监测血压。
Nov, 2023
通过深度学习建立的两阶段视觉远程光电测量网络 (DRP-Net) 和边界血压网络 (BBP-Net) 可估算心率和血压,其中 DRP-Net 用于估算心率,BBP-Net 通过分析不同部位的光电信号的相位差估算收缩压与舒张压。与最近的方法相比,本方法在心率估算上减小了 34.31% 的平均绝对误差 (MAE)。
Jan, 2024
利用机器学习和语音信号,研究了准确血压估计的预处理、特征提取和实时应用。通过结合先进的聚类策略和情感维度的 YouTube 视频,丰富了对现代媒体环境与健康影响的理解。
Nov, 2023
该研究提出了基于物理信息的 DeepONet 方法的新框架来预测动脉血压波形,解决了连续无创测量动脉血压波形的问题,同时采用时间周期条件和 Windkessel 边界条件满足 Navier-Stokes 方程,通过引入元学习的概念来准确估计参数。
Feb, 2024
该研究提出了一个端到端基于深度学习的方案,使用图像采集的 PPG 波形来实时监测血压,该方法达到了良好的测量效果并部署在了一个树莓派设备上。
Nov, 2021