研究论文

开放式访问

少喷BP：个性化无处不在的连续血压测量

作者:

风扇东、和

易强陈作者信息和声明

ACM互动、移动、穿戴和普及技术会议录,体积7,问题三

条款编号：94，页数1-39

https://doi.org/10.1145/3610918

出版:2023年9月27日出版历史

PDF格式电子阅读器

摘要

基于深度学习的方法在连续无创血压测量中显示出良好的结果，而那些在大型公共数据集上训练的模型在从家庭环境中收集的真实用户数据进行预测时性能严重下降。为了解决这个问题，最近引入了转移学习，用看不见的用户数据对预训练模型进行个性化。然而，现有的基于网络微调的模型个性化方法需要大量的标记数据，由于使用袖带式血压监测仪进行标记，因此缺乏实用性，对于家庭用户来说非常繁琐和费力。在本文中，我们提出了一种新的称为FewShotBP的少峰转移学习方法，该方法通过在个性化阶段（即转移学习阶段）引入个性化适配器和在预训练阶段引入多模态谱时神经网络来解决上述挑战，在现实场景中，缩小数据冗余模型和有限标记数据之间的差距。为了评估该方法的重要性，我们使用公开的数据集和真实世界的用户实验进行了实验。结果表明，与公共数据集中最先进的方法相比，该方法的个性化数据量减少了10×10，血压预测精度接近，平均绝对误差为6.68mmHg（收缩压）和3.91mmHg在实际用户实验中，只有10个个人数据样本。

工具书类

[1]

Bin Zhou、Rodrigo M Carrillo-Larco、Goodarz Danaei、Leanne M Riley、Christopher J Paciorek、Gretchen A Stevens、Edward W Gregg、James E Bennett、Bethlehem Solomon、Rosie K Singleton等，2021年。1990年至2019年全球高血压流行趋势及治疗和控制进展：对1.04亿参与者的1201项人群代表性研究的汇总分析。《柳叶刀》39810304（2021），957-980。

[2]

Manuja Sharma、Karinne Barbosa、Victor Ho、Devon Griggs、Tadesse Ghirmai、Sandeep K.Krishnan、Tzung K.Xiai、Jung-Chih Chiao和Hung Cao。2017年，无袖带和持续血压监测：方法综述。技术5，2（2017年6月），21。https://doi.org/10.3390/technologies5020021

[3]

G.Wang、M.Atef和Y.Lian。2018年。使用PPG实现连续无创无袖带血压监测系统：系统和电路综述。IEEE电路与系统杂志18，3（2018），6--26。https://doi.org/10.109/MCAS.2018.2849261

[4]

C.El-Hajj和P.A.Kyriacou。2020年：无创无袖带血压测量中光体积描记术的机器学习技术综述。生物医学信号处理与控制58（2020年4月），101870。https://doi.org/10.1016/j.bspc.2020.101870

[5]

Charalambos Vlachopoulos、Michael O'Rourke和Wilmer W.Nichols。2011年，麦当劳动脉血流：理论、实验和临床原理。CRC出版社。

[6]

加什佩·斯拉普尼查尔、内杰克·姆拉卡尔和米贾·卢什特雷克。2019.使用光谱-时间深度神经网络从光体积描记图估计血压。传感器19、15（2019年1月）、3420。https://doi.org/10.3390/s19153420

[7]

Jared Leitner、Po-Han Chiang和Sujit Dey。2022.使用光电体积描记术的个性化血压估计：一种迁移学习方法。IEEE生物医学与健康信息学杂志26，1（2022），218--228。https://doi.org/10.109/JBHI.2021.3085526

[8]

Oded Schlesinger、Nitai Vigderhouse、Danny Eytan和Yair Moshe。2020年。使用卷积神经网络和暹罗网络从PPG信号估计血压。在ICASSP 2020-2020 IEEE声学、语音和信号处理国际会议（ICASSP）上。1135--1139. https://doi.org/10.109/ICASPSP40776.2020.9053446

[9]

王翠翠，杨帆，袁雪光，张艳安，张昆良，李正阳。2020。使用ppg信号进行血压估计的端到端神经网络模型。中国人工智能。施普林格，262-272。

[10]

刘庄、毛汉子、吴朝元、费希滕霍夫、特雷弗·达雷尔和谢赛宁。2022.2020年代的ConvNet。在IEEE/CVF计算机视觉和模式识别会议上，CVPR 2022，美国洛杉矶新奥尔良，2022年6月18-24日。IEEE，11966--11976。https://doi.org/10.109/CVPR52688.2022.01167

[11]

Parry Fung、Guy Dumont、Craig Ries、Chris Mott和Mark Ansermino。通过脉搏传输时间进行连续无创血压测量。在第26届IEEE医学和生物学会工程国际年会上，第1卷。IEEE，738--741。

[12]

丹尼尔·什普拉克（DanielŠpulák）、罗曼·科梅拉（Roman Cmejla）和弗拉迪斯拉夫·法比安（Vratislav Fabián）。2011.基于心电图和光电体积描记术的平均血压估计参数。2011年国际应用电子会议。IEEE，1--4。

[13]

托马斯·维布默（Thomas Wibmer）、K·多林（K Doering）、C·克罗普夫·桑琴（C Kropf-Sanchen）、S·吕迪格（Südiger）、I·布兰塔（I Blanta）、KM·斯托贝尔（KM Stoiber）、W·罗特鲍尔（W Rottbaue。2014.心肺运动试验期间的脉搏传导时间和血压。生理学研究63，3（2014）。

[14]

Hyun Jae Baek、Ko Keun Kim、Jung Soo Kim、Borem Lee和Kwang Suk Park，2009年。利用脉搏到达时间和两个混杂因素加强血压估计。生理测量31，2（2009），145。

[15]

陈燕，文昌云，陶国才，毕敏，李国琦.2009。连续无创血压测量：血压和脉搏波速度之间关系的新建模方法。生物医学工程年鉴37，11（2009），2222-2233。

[16]

何小川、拉菲克·阿古布兰和小平·P·刘。2014.连续无袖带动脉血压测量PPG信号的二次峰值检测。IEEE仪器和测量汇刊63，6（2014），1431--1439。

[17]

Ali Jadooei、O Zaderykhin和VI Shulgin。2013.使用脉搏传输时间连续监测血压的自适应算法。2013年IEEE XXXII国际科学会议电子与纳米技术（ELNANO）。IEEE，297-301标准。

[18]

Eric Chern-Pin Chua、Stephen J Redmond、Gary McDarby和Conor Heneghan。2010年。使用光致死图振幅测量睡眠期间的血压。生物医学工程年鉴38，3（2010），945--954。

[19]

Shreyasi Datta、Rohan Banerjee、Anirban Dutta Choudhury、Aniruddha Sinha和Arpan Pal.2016年。利用潜在参数从光体积描记图估计血压。2016年IEEE国际通信会议（ICC）。IEEE，1-7。

[20]

Aishwarya Visvanathan、Rohan Banerjee、Anirban Dutta Choudhury、Aniruddha Sinha和Shaswati Kundu。2014.基于智能手机的血压计。第四届ACM MobiHoc普及无线医疗研讨会论文集。19--24.

数字图书馆

[21]

穆罕默德·卡丘伊、穆罕默德·马赫迪·基亚尼、霍达·穆罕默德扎德和马赫迪·沙巴尼。2015.使用脉冲传输时间进行无袖带高精度无校准血压估计。2015年IEEE电路与系统国际研讨会（ISCAS）。IEEE，1006--1009。

[22]

段克峰、钱志良、穆罕默德·阿特夫和王国兴。2016年，使用光体积描记术进行基于学习的无袖带血压测量的特征探索方法。2016年，第38届IEEE医学和生物学会工程国际年会（EMBC）。IEEE，6385--6388。

[23]

尤里·库里亚克（Yuriy Kurylyak）、库尔特·巴贝（Kurt Barbe）、弗朗西斯科·拉莫纳卡（Francesco Lamonaca）、多梅尼科·格里马尔迪（Domenico Grimaldi）和温迪·范·摩尔（Wendy Van Moer）。2013.使用卡尔曼滤波和神经网络进行基于光电体积描记图的血压评估。2013年IEEE医学测量与应用国际研讨会（MeMeA）。IEEE，170--174。

[24]

恩里克·蒙特·莫雷诺。2011年，通过机器学习技术从光体积描记器对血糖和血压进行非侵入性估计。医学中的人工智能53，2（2011），127--138。

[25]

桥本纯一郎、中南健一、青木洋平、西村拓彦、大久保雄、北泽忠寿、铃木美彦、松原三雄、三岛美美、荒崎拓夫和伊迈育隆。接受治疗的高血压患者的脉搏波速度和手指光容积图二阶导数：它们的关系和相关因素。《高血压杂志》20，12（2002年12月），2415-2422。

[26]

刘梦阳、李曼波和洪福。2017年。基于光容积描记信号及其二阶导数的无袖套血压估计。《国际计算机理论和工程杂志》9，3（2017），202。

[27]

穆罕默德·卡丘伊、穆罕默德·马赫迪·基亚尼、霍达·穆罕默德扎德和马赫迪·沙巴尼。2017年。用于持续健康监护监测的无袖套血压估计算法。IEEE生物医学工程学报64，4（2017年4月），859-869。https://doi.org/10.109/TBME.2016.2580904

[28]

梁永波（Yongbo Liang）、陈振诚（Zhengcheng Chen）、拉巴布·沃德（Rabab Ward）和穆罕默德·埃尔根迪（Mohamed Elgendi）。2018年。通过ECG和PPG信号进行高血压评估：使用MIMIC数据库进行评估。诊断8，3（2018年9月），65。https://doi.org/10.3390/diagnostics8030065

[29]

潘瑶、薛宁、尹思源、尤昌华、郭玉森、石毅、刘铁柱、孙建海、刘春秀、姚雷、周军、程东和赵明。2022.基于腕部PPG传感器的连续血压测量的多维特征组合方法。IEEE生物医学与健康信息学杂志（2022），1--1。https://doi.org/10.109/JBHI.2022.3167059

[30]

邢小曼和孙明善。2016。利用光体积描记术和基于FFT的神经网络进行光学血压估计。生物医学光学快报7，8（2016），3007--3020。

[31]

王鲁迪、周伟、邢颖和周晓光。2018年。一种新的神经网络模型，用于在无心电图的情况下使用光复描记术估计血压。《医疗工程杂志》2018（2018）。

[32]

Costas Sideris、Haik Kalantarian、Ebrahim Nemati和Majid Sarrafzadeh。2016年。使用递归网络构建连续动脉血压预测模型。2016年IEEE智能计算国际会议（SMARTCOMP）。IEEE，1--5。

[33]

苏鹏、丁晓荣、张元廷、刘静、苗奋、倪照。2018年。使用深度递归神经网络进行长期血压预测。2018年IEEE EMBS国际生物医学与健康信息学会议（BHI）。IEEE，323--328。

[34]

Shota Shimazaki、Shoaib Bhuiyan、Haruki Kawanaka和Koji Oguri，2018年。通过自动编码器从光体积描记术中提取无袖带血压估计的特征。2018年第40届IEEE医学与生物学会工程国际年会（EMBC）。IEEE，2857--2860。

[35]

Sayed Tanveer议员和Kamrul Hasan议员。2019.使用基于波形的ANN-LSTM网络从心电图和光体积描记图估计无袖套血压。生物医学信号处理和控制51（2019），382--392。

[36]

黄斌（Bin Huang）、陈威海（Weihai Chen）、林春亮（Chun-Liang Lin）、张家峰（Chia-Feng Juang）和王建华（Jianhua Wang）。2022.MLP-BP：基于MLP-Mixer神经网络的无袖带血压测量新框架，使用PPG和ECG信号。生物识别。信号处理。控制。73 (2022), 103404. https://doi.org/10.10167j.bspc.2021.103404

[37]

王卫南（Weinan Wang）、佩德拉姆·莫塞尼（Pedram Mohseni）、凯文·基尔戈尔（Kevin L.Kilgore）和拉勒·纳贾菲扎德（Laleh Najafizadeh）。2022.通过可见度图和传递学习从光容积描记术估计无袖带血压。IEEE生物医学与健康信息学杂志26，5（2022），2075--2085。https://doi.org/10.109/JBHI.2021.3128383

[38]

潘嘉麟和杨强。2009年，关于迁移学习的调查。IEEE知识与数据工程汇刊22，10（2009），1345--1359。

数字图书馆

[39]

谭传祺、孙富春、孔涛、张文昌、朝阳和刘春芳。2018年，深度迁移学习调查。在国际人工神经网络会议上。施普林格，270-279。

[40]

雅各布·德夫林（Jacob Devlin）、张明伟（Ming Wei Chang）、肯顿·李（Kenton Lee）和克里斯蒂娜·图塔诺娃（Kristina Toutanova）。2019.BERT：深度双向变形金刚语言理解预培训。《计算语言学协会北美分会2019年会议记录：人类语言技术》，NAACL-HLT 2019，明尼阿波利斯，明尼苏达州，美国，2019年6月2-7日，第1卷（长篇和短篇论文），Jill Burstein，Christy Doran和Thamar Solorio（编辑）。计算语言学协会，4171-4186。https://doi.org/10.18653/v1/n19-1423

[41]

江浩明、何鹏程、陈伟珠、刘晓东、高剑锋、赵拓。2020.SMART：通过原理正则化优化对预训练的自然语言模型进行稳健高效的微调。计算语言学协会第58届年会会议记录，ACL 2020，在线，2020年7月5日至10日，Dan Jurafsky、Joyce Chai、Natalie Schluter和Joel R.Tetreault（编辑）。计算语言学协会，2177-2190。https://doi.org/10.18653/v1/2020.acl-main.197

[42]

丁明、常州、杨红霞和唐杰。2020年CogLTX：将BERT应用于长文本。《神经信息处理系统进展33：2020年神经信息处理体系年度会议》，《NeurIPS 2020》，2020年12月6日至12日，虚拟版，雨果·拉罗谢尔（Hugo Larochelle）、马克·阿雷利奥·兰扎托（Marc’Aurelio Ranzato）、雷亚·哈德塞尔（Raia Hadsell）、玛丽亚·福洛丽娜·巴尔坎（Maria Florina Balcan）和许泰安·林。

[43]

利奥·布雷曼（Leo Breiman）。2001.随机森林。机器。学习。45, 1 (2001), 5--32. https://doi.org/10.1023/A:1010933404324

数字图书馆

[44]

吴海旭、胡腾戈、刘勇、杭州、王建民和龙明生。2022.TimesNet:通用时间序列分析的时间2D-Variation建模。CoRR abs/2210.02186（2022）。https://doi.org/10.44850/arXiv.2210.02186arXiv公司：2210.02186

[45]

田洲、马自清、温庆松、王雪、孙亮、金荣。2022.FED前：用于长期序列预测的频率增强分解变压器。在2022年7月17日至23日于美国马里兰州巴尔的摩举行的国际机器学习会议（ICML 2022）上（机器学习研究论文集，第162卷），卡马利卡·乔杜里（Kamalika Chaudhuri）、斯蒂芬妮·杰格尔卡（Stefanie Jegelka）、勒松（Le Song）、塞佩斯瓦里（Csaba Szepesvari）、牛刚（Gang Niu）和西万·萨巴托。PMLR，27268--27286。https://proceedings.mlr.press/v162/zhou22g.html

[46]

道格拉斯·伍德（Douglas L Wood）、谢尔登·谢普斯（Sheldon G Sheps）、莉拉·埃尔夫巴克（Lila R Elveback）和亚历山大·席格（Alexander Schiger）。冷加压试验作为高血压的预测指标。高血压6，3（1984），301--306。

[47]

Ji Lin、Ligeng Zhu、Wei-Ming Chen、Wei-Chen Wang、Chuang Gan和Song Han。2022.256KB内存下的设备培训。在NeurIPS中。http://papers.nips.cc/paper_files/paper/2022/hash/90c56c77c6df45fc8e556a096b7a2b2e-Abstract-Conference.html

[48]

劳伦斯·范·德·马滕和杰弗里·欣顿。2008.使用t-SNE可视化数据。《机器学习研究杂志》9，11（2008）。

索引术语

FewShotBP：走向个性化的无处不在的连续血压测量
1. 应用计算
  1. 生命与医学
    1. 健康信息学
2. 以人为中心的计算
  1. 无处不在的移动计算
    1. 无处不在的移动计算系统和工具

建议

AfibPred:一种基于深度转移知识的短单导联心电图的新型心房颤动预测方法
BDIoT’19：第四届大数据和物联网国际会议记录

据世界卫生组织称，心血管疾病（CVD）是世界范围内的主要死亡原因。心房颤动（AFib）是导致中风和其他心脏问题的最常见心脏病之一。为了应付这个。。。
阅读更多信息
视网膜新生血管病变的彩色眼底图像自动诊断
计算机图形学进展
摘要
视网膜新生血管化（NV）是视网膜中新生血管的异常生长，导致视力严重下降和失明。它是筛选几种疾病的主要生物标志物，其中增殖性疾病。。。
阅读更多信息
基于深度和ECG统计特征相结合的心房颤动检测
ICGSP’19：第三届图形和信号处理国际会议记录

心房颤动是一种常见的慢性心律失常。心房颤动的发生率随着年龄的增长而增加。因此，特别是对老年人来说，准确检测心房颤动可以有效预防中风。在本文中，我们。。。
阅读更多信息

评论

信息和贡献者

问询处

发布时间

ACM关于交互式、移动、可穿戴和无处不在技术的封面图片会议录

ACM互动、移动、穿戴和普及技术会议录第7卷第3期

2023年9月

1734页

EISSN公司：2474-9567

内政部：10.1145/3626192

版权所有©2023 ACM。

如果复制品不是为了盈利或商业利益而制作或分发的，并且复制品的第一页载有本通知和完整引文，则允许免费制作本作品的全部或部分数字或硬拷贝以供个人或课堂使用。必须尊重作者以外的其他人对本作品组成部分的版权。允许用信用证进行摘要。要以其他方式复制或重新发布，在服务器上发布或重新发布到列表，需要事先获得特定许可和/或付费。从请求权限[电子邮件保护].

出版商

计算机协会

美国纽约州纽约市

出版历史

出版：2023年9月27日

在IMWUT中发布体积7,问题三

权限

请求对此文章的权限。

检查更新

作者标记

限定符

研究文章
研究
推荐

资金来源

国家自然科学基金
北京市科学技术委员会
中国科学院青年创新促进会
中国国家重点研发计划

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

0
引文总数
646
总下载次数

下载次数（过去12个月）646
下载次数（最近6周）27

其他指标

查看作者指标

引文

视图选项

查看选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此文章

媒体

数字

其他

桌子

查看问题目录