文献

J-GLOBAL ID：202002289702726582   整理番号：20A2662351

深層学習を用いたフォトプレチスモグラフィーに基づく血圧評価【JST・京大機械翻訳】

Blood pressure evaluation based on photoplethysmography using deep learning

著者 (5件)： Sun Xiaoxiao (Univ. of Chinese Academy of Sciences (China)) ,  Zhou Liang (Univ. of Chinese Academy of Sciences (China)) ,  Liu Zhaohui (Univ. of Chinese Academy of Sciences (China)) ,  Yu Jiangjun (Univ. of Chinese Academy of Sciences (China)) ,  Qiao Wenlong (Univ. of Chinese Academy of Sciences (China))
資料名： Proceedings of SPIE  (Proceedings of SPIE)
巻： 11566  ページ： 115660X-6  発行年： 2020年 
JST資料番号： D0943A  ISSN： 0277-786X  CODEN： PSISDG  資料種別： 会議録 (C)
記事区分： 短報  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 近年,高血圧症患者の数が増加している。高血圧は目に見えないキラーである。長期高血圧は,狭心症,脳卒中および心不全のような一連の心血管疾患を引き起こす可能性がある。したがって,血圧(BP)の早期評価とグレード評価は,ヒトの健康に不可欠である。米国(JNC7)における高血圧の予防,検出,評価および治療に対する国立共同委員会の7番目の報告は,BPレベルを正常血圧(NT),高血圧前(PHT)および高血圧(HT)に分類した。本論文では,アンサンブル経験的モード分解(EEMD)とHilbert変換(HT)に基づく深層学習モデル(ResNet18)を採用して,光プレチスモグラフィー(PPG)信号のみを用いてBPのリスクレベルを予測した。集中治療データベース(MIMIC)における多パラメータ知的監視から582のデータ記録を収集し,各ファイルは入力として,入力として対応するPPG信号と入力のためのラベルとして動脈BP信号を含んだ。さらに,モデルの最後の完全接続層を初期化した。3つの分類実験を行った:HT対NT,HT対PHT,および(HT+PHT)対NT,これらの3つの分類実験のF1スコアは,それぞれ88.03%,70.94%,および84.88%であった。迅速でアクセス可能な非侵襲的BP評価法を低および中所得国に提供した。COPYRIGHT SPIE. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： データベース ,  *血圧 ,  高血圧症 ,  動脈 ,  心不全 ,  心血管疾患 ,  脳卒中 ,  Hilbert変換
準シソーラス用語： *フォトプレチスモグラフィー ,  集中治療 ,  JNC7 ,  非侵襲 ,  正常血圧 ,  *深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 深層学習 ,  フォトプレチスモグラフィー ,  血圧 ,  評価