Tief

Wissenschaftliche Berichte Band 13, Artikelnummer: 9311 (2023) Diesen Artikel zitieren

67 Zugriffe

1 Altmetrisch

Details zu den Metriken

Kürzlich wurden in mehreren Studien Methoden zur Messung des manschettenlosen Blutdrucks (BP) mithilfe von Finger-Photoplethysmogramm-Signalen (PPG) vorgeschlagen. Diese Studie stellt ein neues Blutdruckschätzungssystem vor, das PPG-Signale unter progressivem Fingerdruck misst, wodurch das System relativ robust gegenüber Fehlern ist, die durch die Fingerposition bei Verwendung der manschettenlosen oszillometrischen Methode verursacht werden. Um durch die Fingerposition verursachte Fehler zu reduzieren, haben wir einen Sensor entwickelt, der gleichzeitig Mehrkanal-PPG- und Kraftsignale in einem weiten Sichtfeld (FOV) messen kann. Wir schlagen einen Deep-Learning-basierten Algorithmus vor, der mithilfe eines Aufmerksamkeitsmechanismus lernen kann, sich aus Mehrkanal-PPG auf den optimalen PPG-Kanal zu konzentrieren. Die Fehler (ME ± STD) des vorgeschlagenen Mehrkanalsystems betrugen 0,43 ± 9,35 mmHg und 0,21 ± 7,72 mmHg für SBP bzw. DBP. Durch umfangreiche Experimente haben wir einen signifikanten Leistungsunterschied je nach Ort der PPG-Messung im Blutdruckschätzungssystem mithilfe von Fingerdruck festgestellt.

Die genaueste Methode zur Messung des Blutdrucks (BP) ist ein medizinischer Katheter1, bei dem der Blutdruck direkt durch Einführen eines Katheters in eine Arterie gemessen wird. Diese Methode eignet sich zur Langzeitbeobachtung von Blutdruckveränderungen bei Patienten, die auf der Intensivstation (ICU) aufgenommen werden. Aufgrund seiner invasiven Natur besteht jedoch ein Infektionsrisiko2. Zu den nicht-invasiven Blutdruckmessmethoden gehören manschettenbasierte3 und manschettenlose Methoden. Manschettenbasierte Blutdruckmessmethoden verwenden ein elektronisches Blutdruckmessgerät und gelten weithin als Goldstandard, da sie eine relativ hohe Genauigkeit erreichen können. Darüber hinaus können Benutzer den Blutdruck problemlos zu Hause messen, ohne die Hilfe von medizinischem Personal4. Der Nachteil besteht jedoch darin, dass sich der Benutzer aufgrund des ausgeübten Drucks unwohl fühlt. Darüber hinaus ist ein elektronisches Blutdruckmessgerät nicht leicht zu transportieren.

Kürzlich wurden in mehreren Studien manschettenlose Blutdruckmessmethoden vorgeschlagen5,6, bei denen der Blutdruck anhand verschiedener biomedizinischer Signale wie Photoplethysmogramm (PPG) und Elektrokardiogramm (EKG) vorhergesagt wird. Die Pulslaufzeit (PTT) bzw. Pulsankunftszeit (PAT) kann anhand gleichzeitig gemessener PPG- und EKG-Signale5 berechnet werden. Sie werden anhand der Zeitdifferenz zwischen den Spitzen der beiden vom Sensor an zwei verschiedenen Stellen in der Arterie gemessenen Signale berechnet. Obwohl mehrere Studien die Korrelation zwischen PTT oder PAT und BP6,7 für die Blutdruckvorhersage verwendet haben, sind sie nicht für mobile Geräte wie Smartphones oder Smartwatches geeignet, da sie zwei Sensoren an unterschiedlichen Orten erfordern, um sowohl PPG- als auch EKG-Signale zu messen. Eine Methode zur Überwindung dieses Nachteils besteht darin, den Blutdruck mithilfe der Pulswellenanalyse (PWA) aus PPG-Signalen vorherzusagen. Ein PPG-Signal ist ein periodisches Pulswellensignal, das mit dem Herz-Kreislauf-System korreliert. Daher haben einige Forscher technische Merkmale wie Höhe und Breite innerhalb der Pulswelle extrahiert und sie zur Vorhersage von BP8 verwendet. Das Extrahieren genauer technischer Merkmale ist jedoch eine Herausforderung, da die Merkmale des Herz-Kreislauf-Systems aufgrund von Faktoren wie Alter, Krankheit und verabreichten Medikamenten von Person zu Person unterschiedlich sind9.

Kürzlich haben Mukkamala et al. schlugen die Messung des Blutdrucks auf einem Smartphone mithilfe der Fingerdruckmethode vor10, die den Blutdruck anhand der Änderung der PPG-Hülle während der Verengung der Blutgefäße schätzt, die durch einen allmählichen Anstieg des Fingerdrucks auf den PPG-Sensor verursacht wird. Da der Sensor jedoch einen Einkanal-PPG verwendet, kann die Genauigkeit der Blutdruckvorhersage erheblich von der Position des Fingers auf dem PPG-Sensor beeinflusst werden.

In dieser Studie schlagen wir einen neuartigen Ansatz zur Schätzung des Blutdrucks ohne Manschette vor. Die Beiträge dieser Studie umfassen zwei Hauptaspekte. Zunächst haben wir einen Sensor entwickelt, der Mehrkanal-PPG-Signale mit unterschiedlichen Wellenlängen mithilfe einer Fingerdruckmethode erfassen kann, die der von Mukkamala et al.10 verwendeten Methode ähnelt. Der vorgeschlagene PPG-Sensor misst gleichzeitig Mehrkanal-PPG-Signale und ein Fingerdrucksignal, während die Fingerspitze des Probanden den Sensor 40 s lang allmählich unter Druck setzt. Die gemessenen Mehrkanal-PPG- und Fingerdrucksignale stellen progressive Druckeigenschaften dar und haben ähnliche Eigenschaften wie oszillometrische Wellensignale (OMW) und Manschettendrucksignale, die in manschettenbasierten Blutdruckmessmethoden verwendet werden. Darüber hinaus wird erwartet, dass die Mehrkanalerweiterung bei der PPG-Signalmessung die Variation in der Position des Fingers auf dem PPG-Sensor verringert. Zweitens haben wir ein Deep-Learning-basiertes Blutdruckschätzungssystem unter Verwendung von Mehrkanal-PPG- und Fingerdrucksignalen vorgeschlagen. Das vorgeschlagene Deep-Learning-basierte BP-Vorhersagesystem besteht aus zwei Teilen. Zunächst wurde ein auf einem Convolutional Neural Network (CNN) basierendes Modell entworfen, das kanalspezifische Merkmale für die Blutdruckschätzung aus den Mehrkanal-PPG- und Fingerdrucksignalen extrahiert. Zweitens wurde ein Mehrkanal-Aufmerksamkeitsnetzwerk für eine verbesserte Genauigkeit der Blutdruckschätzung vorgeschlagen, das die von den Einkanal-BP-Schätzern erhaltenen latenten Merkmale kombiniert, um ein neues aufmerksamkeitsgewichtetes Merkmal zu erzeugen. Die kombinierte Funktion wurde anschließend für die endgültige Blutdruckschätzung verwendet.

Die oszillometrische Methode zur Messung des Blutdrucks nutzt die Änderungen der PPG-Amplituden, die durch den Verschluss von Blutgefäßen verursacht werden. Um PPG-Signale bei hohen Signal-Rausch-Verhältnissen genau zu messen, muss der optische Pfad des Sensors Blutgefäße umfassen. Da Finger jedoch über eine komplexe Gefäßstruktur verfügen, befinden sich auf beiden Seiten des Fingers und entlang der Nagelspitze kleine Arterien. Daher ist es schwierig, mit einem Einkanal-PPG-Sensor einen optischen Pfad genau zu bilden, der Blutgefäße umfasst. Um diese Herausforderung zu meistern, haben wir einen Mehrkanal-PPG-Sensor mit einem weiten Sichtfeld (FOV) entwickelt.

Der vorgeschlagene PPG-Sensor besteht aus den folgenden Komponenten, wie in Abb. 1a dargestellt: drei grüne und drei infrarote (IR) Leuchtdioden (LEDs) (Wellenlängen 535 nm bzw. 850 nm) und neun Fotodetektoren (PDs). Die LED und PD für Mehrkanal-PPG funktionieren gemäß dem Zeitdiagramm, wie in Abb. 1b dargestellt: drei LEDs für Zeilenpositionen (obere, mittlere und untere PDs) und drei PDs für Spaltenpositionen (rechts, in der Mitte und links). PDs). Auf beiden Seiten der PDs wurden LEDs angebracht, um die Struktur der Fingerblutgefäße zu berücksichtigen. Darüber hinaus betrug das Sichtfeld für den Mehrkanal 5 mm x 4,5 mm und die Gesamtgröße 12 mm x 7,5 mm, sodass ein Finger den gesamten Sensor abdecken konnte. Mit diesem Sensor haben wir 9-Kanal-PPG-Signale einer IR-LED mit einer Abtastrate von 43 Hz gemessen. Abbildung 2 zeigt den Systemaufbau für das Experiment. Der PPG-Sensor war als Knopf auf dem Versuchsträger konfiguriert, und der kommerzielle Kraftsensor befand sich unter dem PPG-Sensor, um das vom Finger ausgeübte Kraftsignal zu erfassen. Insbesondere wurden die 9-Kanal-PPG- und Kraftsignale synchronisiert, gemessen und anschließend in den Analog-Digital-Wandler des eingebauten Mainboards eingespeist.

Aufbau des Mehrkanal-PPG-Sensors: (a) Aufbau von LED-PD und Kraftsensor und (b) Betriebszeit des Mehrkanal-PPG.

Versuchsaufbau des vorgeschlagenen Sensors.

Klinische Studien wurden getrennt an zwei verschiedenen Standorten durchgeführt: dem MONIKI-Krankenhaus in Russland und dem Samsung Medical Center in Korea. Datensatz 1 wurde im MONIKI-Krankenhaus gesammelt und enthielt 1.450 Fälle von 290 Teilnehmern; Es wurde verwendet, um das vorgeschlagene BP-Schätzsystem zu trainieren. Datensatz 2 wurde im Samsung Medical Center gesammelt und enthielt 865 Fälle von 186 Teilnehmern; Es wurde für Schulungen und Tests verwendet. Jeder Fall enthielt 40 Sekunden lang synchronisierte 9-Kanal-PPG- und Kraftsignale. Ein Referenz-Blutdruck, der von zwei medizinischen Mitarbeitern mittels Auskultation ermittelt wurde, wurde ebenfalls einbezogen. Die Datenerfassung wurde von der Ethikkommission des Samsung Medical Center genehmigt (IRB-Protokoll-Nr.: 2020-06-065). Das Studiendesign folgte der internationalen Norm (ISO 81060-2)11, die relevante Richtlinien für die klinische Untersuchung nicht-invasiver Blutdruckmessgeräte beschrieb, einschließlich der Anforderungen an die Probanden (mindestens 85 Probanden und 255 Blutdruckwerte) und Referenzwerte (Mittelwert von 2 Beobachtern unter Verwendung von). Doppelstethoskop). Alle Prüflinge gaben vor der Durchführung der Messungen ihre Einverständniserklärung ab.

Für klinische Studien wurde das vorgeschlagene Mehrkanal-PPG-System in Übereinstimmung mit Standardprotokollen (ISO 81060-2) verwendet. Der Referenz-Blutdruck wurde von zwei medizinischen Mitarbeitern mithilfe der Auskultationsmethode gemessen und für jede Person wurden fünf Messungen durchgeführt. Um die Stabilität zu gewährleisten, legten die Teilnehmer zwischen den Messungen eine Pause von mindestens 5 Minuten ein. Anschließend wurde der Finger auf eine vormarkierte Führungslinie gelegt. Nach Beginn der Messung wurden sie gebeten, 40 Sekunden lang schrittweise mit dem Zeigefinger auf den Sensor zu drücken und dabei die auf dem Computerbildschirm angezeigte Druckerhöhungsanleitung zu beobachten. Tabelle 1 listet die demografischen Informationen des Datensatzes auf.

Wir verwendeten Datensatz 1 von 290 Teilnehmern und Datensatz 2 von 186 Teilnehmern für das Training, die Validierung und das Testen des BP-Schätzsystems. Wir haben die Trainings-, Validierungs- und Testdaten so aufgeteilt, dass es keine überschneidenden Teilnehmer gab. Datensatz1 wurde nur für Training und Validierung verwendet, während Datensatz2 nur für Training und Tests verwendet wurde. Wir haben Datensatz 1 in 183 Teilnehmer für das Training und 107 Teilnehmer für die Modellvalidierung aufgeteilt. Darüber hinaus wurde Datensatz2 in Dateifalten ohne überlappende Teilnehmer unterteilt, eine Falte wurde zum Testen verwendet und die übrigen Faltungen wurden zum Training verwendet, und jede der fünf Faltungen wurde der Reihe nach getestet. Daher führten wir eine Modellverifizierung durch eine fünffache Kreuzvalidierung von Datensatz2 durch. Alle mit Datensatz 2 erhaltenen Ergebnisse der fünffachen Blutdruckschätzung sind in dargestellt.

Um die neun einkanaligen CNN-basierten Merkmalsextraktoren und den Mehrkanal-Aufmerksamkeitsmechanismus zu trainieren, wurde der Adam-Optimierer12 mit \(\beta _1=0,9\) und \(\beta _2=0,999\) und einer Lernrate von 0,005 verwendet. und eine Mini-Batch-Größe von 64. Um die Verallgemeinerung des vorgeschlagenen BP-Schätzsystems zu verbessern, wurde ein \(\ell _2\)-Regularisierungsterm mit einer Skala von 0,005 und einer Abbruchrate von 0,3 verwendet. Detaillierte Modellparameter sind in Tabelle 2 zusammengefasst.

Wir verwendeten den Mittelwert des Fehlers (ME), die Standardabweichung des Fehlers (STD) und den Pearson-Korrelationskoeffizienten (r) als Bewertungsmaßstäbe für die BP-Vorhersage. Zusätzlich zur Bewertung des gesamten BP-Schätzsystems wurde die BP-Schätzleistung des CNN-basierten Merkmalsextraktionsmodells für ein einzelnes PPG und einen Aufmerksamkeitsmechanismus verglichen und analysiert.

Die meisten Studien, die ein Blutdruckvorhersagemodell entwickelt haben, nutzen die Online-Wellenformdatenbank „Multi-Parameter Intelligent Monitoring in Intensive Care“ (MIMIC) von Physionet13 oder den Vital Signs-Datensatz der University of Queensland14. Diese öffentlichen Datensätze enthalten drucklose Einkanal-PPG- und EKG-Signale. Obwohl in Studien15,16 selbst erstellte Datensätze verwendet wurden, enthalten diese normalerweise drucklose Einkanal-PPG-Signale oder EKG-Signale. In dieser Studie haben wir ein Blutdruckvorhersagesystem entwickelt, das die von den vorgeschlagenen Mehrkanal-PPG- und Fingerdrucksensoren erhaltenen Signale verwendet. Da unser selbst erstellter Datensatz Mehrkanal-PPG-Signale unter Druck und Fingerdrucksignale enthält, ist ein direkter Vergleich mit anderen Blutdruckschätzungsstudien schwierig. Daher haben wir das vorgeschlagene Mehrkanal-PPG-basierte Blutdruckschätzungssystem und seine Komponenten analysiert.

In den Tabellen 3 und 4 werden die SBP- und DBP-Schätzleistungen für jeden der neun PPG-Kanäle verglichen. In Bezug auf die STD-Metrik waren die SBP- und DBP-Schätzleistungen am besten, wenn die PPG-Signale des 2. bzw. 3. Kanals verwendet wurden. Im Vergleich dazu waren die SBP- und DBP-Schätzleistungen bei Verwendung der PPG-Signale des 7. und 6. Kanals am schlechtesten. Es gab einen relativen Leistungsunterschied von etwa 9,6 % in der SBP-Leistung zwischen dem 2. und 7. Kanal und die DBP-Leistung wies einen Unterschied von etwa 3,7 % zwischen dem 3. und 6. Kanal auf. Obwohl die Mehrkanal-PPG-Signale gleichzeitig erfasst wurden, konnte der signifikante Unterschied in der Blutdruckvorhersageleistung zwischen den verschiedenen Kanälen auf die unterschiedliche Position des Fingers auf dem PPG-Sensor für jeden Benutzer und den charakteristischen Unterschied der Finger zurückgeführt werden. Daher kann festgestellt werden, dass es schwierig ist, PPG-Signale konsistent für alle Benutzer über einen Einkanal-PPG-Sensor zu erfassen.

Tabelle 5 vergleicht die SBP- und DBP-Schätzleistungen eines der Einkanal-BP-Schätzer und des vorgeschlagenen aufmerksamkeitsbasierten Mehrkanal-BP-Schätzers. Durch die Kombination von Mehrkanalfunktionen mithilfe des Mehrkanal-Aufmerksamkeitsmechanismus verbesserte sich die Leistung der SBP-Schätzung im Vergleich zu ihrem besten Einkanal-Gegenstück erheblich. Genauer gesagt betrugen die SBP-Schätzleistungen der Einkanal- und Mehrkanalsysteme 9,94 bzw. 9,35, was einer relativen Verbesserung von 6 % entspricht. Wie in Tabelle 5 gezeigt, verbesserte sich die DBP-Vorhersageleistung auch um 4,7 %, wenn die Aufmerksamkeitsmechanismusmethode unter Verwendung des Mehrkanal-PPG-Signals verwendet wurde. Darüber hinaus verbesserten sich die Pearson-Korrelationskoeffizientenwerte sowohl für SBP- als auch für DBP-Schätzaufgaben um das Fünffache. Aus Sicht der Datenerfassung werden 9 Kanäle zur Datenerfassung verwendet, die Abtastrate beträgt jedoch 43 Hz, was nur eine geringfügige Steigerung darstellt und ausreichend bewältigt werden kann. Wenn der Kanal jedoch falsch ausgewählt wird, kann andererseits im Hinblick auf die Leistung ein großer Fehler auftreten (z. B. beträgt der SDE von Kanal 7 10,99, was einer Differenz von 1,64 mmHg entspricht). Daher hat sich gezeigt, dass dieser Algorithmus das Ausmaß der Fehleränderung aufgrund der Kanalauswahl effektiv reduziert, und die Ergebnisse legen nahe, dass der vorgeschlagene Aufmerksamkeitsmechanismus, der Mehrkanal-PPG-Signale verwendet, effektiv ist.

Der Aufmerksamkeitsmechanismus unseres vorgeschlagenen BP-Schätzsystems ist wichtig für die Verbesserung der BP-Schätzleistung. Abbildung 3 zeigt die Aufmerksamkeitsgewichte von Bluthochdruck-, Hypotonie- und normotensiven Daten, die für die SBP- und DBP-Schätzaufgaben erhalten wurden. Der Durchschnittswert der Aufmerksamkeitsgewichte jeder BP-Gruppe wurde ermittelt und als Balkendiagramm angezeigt. Interessanterweise waren die Aufmerksamkeitsgewichte einiger spezifischer Kanäle sowohl in den Bluthochdruck- als auch in den Hypotonie-Daten relativ größer als die anderer. Im SBP-Aufmerksamkeitsmechanismus zeigten Bluthochdruck- und Hypotonie-Daten große Aufmerksamkeitsgewichte im 2. bzw. 4. Kanal. Darüber hinaus hatte der Kanal mit dem größten Aufmerksamkeitsgewicht in den Bluthochdruckdaten tendenziell ein relativ niedriges Aufmerksamkeitsgewicht in den Hypotoniedaten und umgekehrt. Diese Trends wurden auch für die Aufmerksamkeitsgewichte des DBP-Aufmerksamkeitsmechanismus beobachtet. Unterdessen zeigte das Aufmerksamkeitsgewicht der normotensiven Daten relativ gleichmäßig verteilte Aufmerksamkeitsgewichte sowohl für SBP- als auch für DBP-Schätzaufgaben. Diese Ergebnisse legen nahe, dass unser vorgeschlagener Mehrkanal-PPG-Sensor mit einem Mehrkanal-Aufmerksamkeitsmechanismus effektiv zur Unterscheidung von hypertensiven und hypotonischen Benutzern eingesetzt werden kann, was zu Verbesserungen führt, die sich gegenüber einkanaligen PPG-basierten Blutdruckschätzungsmodellen als überlegen erweisen.

Bei dieser Zahl handelt es sich um ein Balkendiagramm des Aufmerksamkeitsgewichts. In jedem der 8 Balkendiagramme stellt die x-Achse 9 Kanäle dar und die y-Achse stellt die Wahrscheinlichkeitswerte für die Wichtigkeit der Kanäle dar. Es ist in hypertensive, hypotensive und normotensive Daten unterteilt und wird durch SBP und DBP dargestellt.

Wir haben bestätigt, dass der vorgeschlagene Mehrkanal-Aufmerksamkeitsmechanismus die BP-Vorhersageleistung von Einkanalmodellen verbessern kann. Der Aufmerksamkeitsmechanismus könnte den Blutdruck genauer vorhersagen, indem er die Bedeutung latenter Merkmale berücksichtigt, die aus mehreren Einzelkanal-PPG-Signalen extrahiert werden. In diesem Unterabschnitt bestätigen wir die Wirksamkeit des Aufmerksamkeitsmechanismus, indem wir seine Aufmerksamkeitsmethode ändern. Tabelle 6 vergleicht die SBP- und DBP-Leistung bei Verwendung eines Teils der neun Kanalfunktionen anstelle aller. Im erlernten Aufmerksamkeitsmechanismus wurden die zwei und drei besten Einkanalsysteme für die Leistung des Validierungssatzes ausgewählt und auf den Testdatensatz angewendet. Wie in der Tabelle gezeigt, zeigen die durchschnittlichen Aufmerksamkeitsgewichte zwar die relative Bedeutung der PPG-Kanäle an, die harte Auswahl der zwei oder drei PPG-Kanäle mit den größten Aufmerksamkeitsgewichtswerten war jedoch nicht effektiv. Im Vergleich dazu verbessert der vorgeschlagene 9-Kanal-Aufmerksamkeitsmechanismus die harten Kanalauswahlmethoden in den Falten 2, 3 und 4 erheblich. Dies zeigt, dass durch die Verwendung des vorgeschlagenen Aufmerksamkeitsmechanismus die adaptive Kombination von Mehrkanal-PPG-Signalen pro Subjekt effektiv ist.

Wir haben die Genauigkeit der Blutdruckschätzung entsprechend der Eingangssignalkombination im Einkanal-BP-Schätzmodell für SBP bzw. DBP verglichen. Wir verglichen die Leistung, wenn nur PPG, erste und zweite Differenzsignale und Fingerdrucksignale verwendet wurden, die Leistung, wenn Hüllkurvensignale und Fingerdrucksignale verwendet wurden, und die Leistung, wenn beide verwendet wurden. Wie in Tabelle 7 gezeigt, wurde im SBP-Modell Kanal zwei und im DBP-Modell Kanal drei getestet. Die Leistung war bei PPG-Signalen besser als bei Hüllkurvensignalen, und die beste Leistung wurde erzielt, wenn alle Signale verwendet wurden.

Um das vorgeschlagene BP-Schätzsystem weiter zu verifizieren, sind in den Abbildungen das Streudiagramm und das Bland-Altman-Diagramm17 für die SBP- und DBP-Schätzung dargestellt. 4 bzw. 5 . Wie in Abb. 4 dargestellt, zeigte das vorgeschlagene BP-Vorhersagesystem hohe Pearson-Korrelationskoeffizienten von 0,86 bzw. 0,8 für SBP und DBP. Das Bland-Altman-Diagramm zeigte, dass die meisten SBP- und DBP-Datenproben innerhalb der Übereinstimmungsgrenzen lagen.

Streudiagramm für (a) SBP- und (b) DBP-Schätzung.

Bland-Altman-Diagramm für (a) SBP- und (b) DBP-Schätzung.

In dieser Studie haben wir einen Mehrkanal-PPG-Sensor entwickelt, der Mehrkanal-PPG-Signale und Fingerdrucksignale erfasst, und ein manschettenloses Blutdruckschätzungssystem vorgeschlagen. Die erfassten Mehrkanal-PPG-Signale wurden erhalten, indem ein Finger auf den vorgeschlagenen Sensor gelegt und allmählich Druck ausgeübt wurde. Mit dem entwickelten Sensor wurden Datensatz1 und Datensatz2 im MONIKI-Krankenhaus in Russland bzw. im Samsung Medical Center in Korea gesammelt. Datensatz 1 und Datensatz 2, die 290 bzw. 186 Teilnehmer enthalten, sind kleine Datensätze im Vergleich zur MIMIC-Online-Wellenformdatenbank und den Datensätzen der University of Queensland Vital Signs, die viele Forscher zum Trainieren ihrer BP-Vorhersagemodelle verwenden18,19. Da bekannt ist, dass die Größe des Trainingsdatensatzes die Leistung neuronaler Netzwerk-basierter BP-Vorhersagemodelle erheblich beeinflusst20, können durch die Erfassung zusätzlicher Trainingsdatensätze mithilfe des entwickelten Sensors zusätzliche Leistungsverbesserungen erwartet werden. Die Erfassung klinischer Daten wird jedoch durch hohe Kosten, übermäßigen Zeitaufwand und andere Einschränkungen erschwert. Die Einbeziehung inter- und intraindividueller Blutdruckschwankungen ist für die Bewertung manschettenloser Geräte wichtig, aber schwer zu ermitteln21. Unser erfasster Datensatz erfasste den Blutdruck nur unter statischen Bedingungen und berücksichtigte nicht die Blutdruckschwankungen innerhalb jedes Individuums. Darüber hinaus werden demografische Daten (z. B. Alter, Geschlecht) häufig als zusätzliche Eingaben für Blutdruckvorhersagemodelle verwendet21. Unser vorgeschlagenes Modell macht sich dies jedoch nicht zunutze, um Benutzern die Eingabe demografischer Informationen zu ersparen.

In unserer Studie wiesen Datensatz1 und Datensatz2 leicht unterschiedliche Bedingungen auf, z. B. die Datenerfassungsumgebung, den Standort und einige Sensorspezifikationen. Wie bereits erwähnt, ist es schwierig, eine hohe Genauigkeit des Zieldatensatzes zu erwarten, wenn das BP-Schätzsystem mithilfe von zwei Datensätzen mit unterschiedlichen Domänen trainiert wird22. Das vorgeschlagene BP-Schätzsystem wurde mithilfe einer Fünf-Kreuz-Validierung verifiziert, indem Datensatz2 als Zieldatensatz festgelegt wurde. Wir haben Regularisierungsterme und Dropout-Techniken verwendet, um eine Überanpassung des Modells zu verhindern. und wir haben die Leistung des Modells durch eine fünffache Kreuzvalidierung gezeigt. Zu diesem Zeitpunkt wurden alle Aufführungen für jedes 5-fache gezeigt. Wir haben die Methoden angewendet, um eine Überanpassung des Modells mit unzureichenden klinischen Daten zu verhindern, wie in anderen Studien. Wenn wir eine Domänenanpassungstechnik23 anwenden, die eine bessere Leistung für den Zieldatensatz erzielen und gleichzeitig das Intervall zwischen Datensätzen in verschiedenen Domänen24 verringern kann, glauben wir, dass wir aus Datensatz2 einen genaueren geschätzten BP erhalten können.

Gemäß dem Standard der Association for the Advancement of Medical Instrumentation (AAMI)25 sollte der Fehler der Blutdruckschätzung innerhalb von 5 ± 8 mmHg liegen. Das vorgeschlagene BP-Schätzsystem erfüllte das AAMI-Kriterium für DBP, und auch der SBP lag nahe am AAMI-Kriterium. Die Genauigkeit unseres vorgeschlagenen BP-Schätzsystems kann verbessert werden, wenn mehr Daten gesammelt werden und die Domäneninkongruenz in den Datensätzen, die in verschiedenen Umgebungen zwischen Datensätzen aufgrund von Merkmalen verschiedener Domänen erfasst wurden, behoben wird. Wir planen, das Deep-Learning-basierte Blutdruckschätzungssystem zu verbessern, um genauere vorhergesagte Blutdruckwerte zu erhalten, indem wir Domänenanpassungstechniken auf unsere beiden Datensätze mit unterschiedlichen Eigenschaften anwenden.

Wir schlagen ein neuartiges Blutdruckvorhersagesystem mit einem Aufmerksamkeitsmechanismus vor, der Mehrkanal-PPG-Signale und ein Fingerdrucksignal verwendet. Das vorgeschlagene BP-Vorhersagesystem kann mithilfe einer End-to-End-Deep-Learning-Methode lernen, Merkmale aus rohen PPG- und Fingerdrucksignalen zu extrahieren, ohne auf von Menschen entwickelte, handgefertigte Methoden zur Merkmalsextraktion angewiesen zu sein. Darüber hinaus ermöglicht ein Aufmerksamkeitsmechanismus dem vorgeschlagenen System, aus jedem PPG-Kanal extrahierte Merkmale effektiv zu kombinieren.

Vorgeschlagenes System zur Blutdruckschätzung.

Blockdiagramm der Signalvorverarbeitung von rohen PPG- und Fingerdrucksignalen.

Da die erfassten rohen PPG- und Fingerdrucksignale Rauschkomponenten enthielten, wurde eine Filterung angewendet, um Rauschen zu entfernen. Um insbesondere verschiedene Eingangssignale für das Merkmalsextraktionsmodell zu verwenden, wurden Vorverarbeitungsschritte durchgeführt, um die gefilterte PPG-Signalhüllkurve und Differenzsignale (dh die zeitlichen Ableitungen erster und zweiter Ordnung) zu erhalten. Frühere Studien zur Blutdruckvorhersage mithilfe von PPG-Signalen zeigten, dass das Blutdruckvorhersagemodell durch die Verwendung der Differenzsignale erster und zweiter Ordnung von PPG zusätzlich zum PPG-Signal den Blutdruck genauer vorhersagen kann, indem verschiedene Informationen modelliert werden26,27. Daher haben wir das BP-Vorhersagesystem modelliert, indem wir das Hüllkurvensignal und die Differenzsignale erster und zweiter Ordnung addierten. Ein Blockdiagramm der Signalvorverarbeitungsmethode ist in Abb. 7 detailliert dargestellt. Um Rauschkomponenten zu entfernen, wurde das rohe PPG-Signal durch einen Bandpassfilter mit einer Grenzfrequenz von 0,8–8 Hz für jedes Mehrkanalsignal geleitet . Wir haben auch die PPG-Hüllkurve \({X}_{e}\) aus dem gefilterten PPG-Signal \({X}_{p}\) erhalten, um dem CNN-basierten Merkmalsextraktor verschiedene Arten von Informationen bereitzustellen. Die PPG-Hüllkurve wurde durch Spitzenerkennung des gefilterten PPG-Signals und Interpolation berechnet. Nach Erhalt der gefilterten PPG- und PPG-Hüllkurvensignale wurden die Ableitungssignale erster und zweiter Ordnung erhalten \((\triangle {X}_{p}, \triangle ^{2}{X}_{p}, \triangle {X}_{e},\) und \(\triangle ^{2}{X}_{e})\), um die Diversität der Eingabe wie oben beschrieben zu erhöhen. Das rohe Fingerdrucksignal wurde durch einen Tiefpassfilter mit einer Grenzfrequenz von 0,2 Hz geleitet. Wir haben das Fingerdrucksignal vom Maximalpunkt des PPG-Hüllkurvensignals in Intervalle von links und rechts von 5 Sekunden segmentiert.

Durch die oben beschriebene Signalvorverarbeitung haben wir einen Datensatz \(({X}_{1}, {X}_{2}, {X}_{3},\) und Y) erstellt, um das vorgeschlagene BP-Vorhersagesystem zu trainieren , wobei \({X}_{1}(={X}_{p} \oplus \triangle {X}_{p} \oplus \triangle ^{2}{X}_{p})\) ist eine verkettete Eingabe von PPG-bezogenen Signalen mit den Abmessungen 1720\(\times\)3. Außerdem ist \({X}_{2}(={X}_{e} \oplus \triangle {X}_{e} \oplus \triangle ^{2}{X}_{e})\) ist die verkettete Eingabe von PPG-Hüllkurvensignalen mit den Abmessungen 1720\(\times\)3 und \({X}_{3}(={X}_{f})\) ist ein gefiltertes Fingerdrucksignal mit den Abmessungen 215\(\times\)1.

Das CNN lernt erfolgreich die Beziehung zwischen benachbarten Datenpunkten durch eine Faltungsoperation und kann Informationen aus dem Eingangssignal über eine Pooling-Schicht28 komprimieren. Daher haben wir drei parallele Eingabeströme des CNN-Modells konstruiert, sodass die Merkmale jeweils für \({X}_{1}\), \({X}_{2}\) und \({ X}_{3}\) Eingaben. Die Gesamtarchitektur des vorgeschlagenen Deep-Learning-basierten BP-Schätzsystems ist in Abb. 6 dargestellt. Die drei Eingabeströme, ausgedrückt als \(C(\cdot ): X_{i} \rightarrow Z_{i}\), wobei X und Z bezeichnen die eingegebenen bzw. extrahierten Features, und i \(\in\) \(\{1, 2, 3\}\) bezeichnet den Typ des Eingabefeatures. Jeder Eingabestream wendet zunächst eine Faltung, Batch-Normalisierung (BN) und die ReLU-Aktivierungsfunktion an, gefolgt von einer Max-Pooling-Operation. Anschließend werden drei CNN-Blöcke mit jeweils zwei Faltungswiederholungen, BN und ReLU mit einer Restverbindung gestapelt, und eine durchschnittliche Pooling-Schicht aggregiert die Informationen aus jedem Feature-Stream. Schließlich werden die aus den drei Eingabeströmen extrahierten Features verkettet, um ein einzelnes Feature \(Z= {Z}_{1} \oplus {Z}_{2} \oplus {Z}_{3}\) zu bilden. Das verkettete Merkmal Z wird dann in eine vollständig verbundene Schicht mit Sigmoid-Nichtlinearität eingeführt, wodurch das endgültige latente Merkmal entsteht, das verschiedene Arten von Informationen enthält, die aus verschiedenen Eingangssignalen extrahiert wurden. Restverbindungen lösen das Problem des verschwindenden Gradienten29 beim Training des Merkmalsextraktionsmodells. Nachdem die CNN-basierten Merkmalsextraktionsmodelle für jeden PPG-Kanal trainiert wurden, kann der Aufmerksamkeitsmechanismus trainiert werden, um Mehrkanalmerkmale für die BP-Vorhersage zu kombinieren.

Um das Merkmalsextraktionsmodell zu trainieren, erzeugt die letzte Ausgabeschicht den geschätzten BP \({\hat{y}} \in {\mathbb {R}}\). Das Modell wird dann trainiert, um den mittleren quadratischen Fehler (MSE) zwischen dem Referenz- und dem geschätzten BP zu minimieren:

wobei N die Anzahl der Proben bezeichnet; \({y}_{i}\) bezeichnet den Referenz-BP; und \({\hat{y}}_{i}\) bezeichnet den geschätzten BP. Um Merkmale aus jedem der 9-Kanal-PPG-Signale zu extrahieren, haben wir neun Merkmalsextraktionsmodelle für jeden PPG-Kanal trainiert. Die trainierten 9-Kanal-Merkmalsextraktionsmodelle können ausgedrückt werden als \(f(\cdot ) : [{X}^{i}_{1}, {X}^{i}_{2}, {X}^{ i}_{3}] \rightarrow Z_{i}\), wobei Z das letzte latente Merkmal ist und i \(\in \{1,2,...,9\}\) der PPG-Kanalindex ist . Neun latente Merkmale \({Z} \in {\mathbb {R}}^{16\times 9}\) mit 16 Dimensionen wurden als Eingaben für das Mehrkanal-Aufmerksamkeitsmodell für die endgültige BP-Vorhersage verwendet. Die aufmerksamkeitsbasierte Mehrkanal-BP-Schätzleistung wird in Abschnitt IV mit der kanalspezifischen BP-Schätzleistung verglichen.

In jüngster Zeit haben sich Aufmerksamkeitsmechanismen in vielen Bereichen als wirksam erwiesen, beispielsweise bei der Spracherkennung30,31 und der Verarbeitung natürlicher Sprache32. Aufmerksamkeitsmechanismen sind neuronale Netze, die sich auf wichtige Regionen konzentrieren. Wir haben jedes Merkmal aus einem CNN-basierten Merkmalsextraktionsmodell mithilfe von Mehrkanal-PPG und Fingerdrucksignalen extrahiert. Da jedoch die Position des Fingers auf dem vorgeschlagenen Mehrkanal-PPG-Sensor und die Eigenschaften der Finger für jeden Benutzer unterschiedlich sein können, kann die Bedeutung jedes Kanals für die Blutdruckschätzung auch für jeden Benutzer unterschiedlich sein. Daher haben wir einen Aufmerksamkeitsmechanismus auf das vorgeschlagene BP-Schätzsystem angewendet, um kanalweise Merkmale entsprechend ihrer Bedeutung für die Schätzung des BP für jeden Benutzer adaptiv zu gewichten.

Wie in Abb. 6 gezeigt, wurden die extrahierten Merkmale \({Z}^{i}\) für die PPG-Kanäle \({i} \in \{1, \ldots , 9\}\) eingeführt zur Aufmerksamkeitsschicht, die ein einschichtiges Perzeptron umfasst, \({s}(\cdot ) : {Z}^{i} \rightarrow {S}^{i}\), um eine Punktzahl zu erhalten, \({S} ^{i}\) repräsentiert die Bedeutung jedes Kanals. Die Punktzahl \({S}^{i}\) wird wie folgt ermittelt:

wobei \(\omega\) und b die trainierbaren Gewichte bzw. Bias sind. Anschließend wurde aus der erhaltenen Punktzahl \({S}^{i}\) das Aufmerksamkeitsgewicht \({W}^{i}\) mithilfe der Softmax-Funktion berechnet, um die Wichtigkeit jedes Kanals als a anzugeben Wahrscheinlichkeitswert. Das Aufmerksamkeitsgewicht \({W}^{i}\) wurde wie folgt berechnet:

Das aufmerksamkeitsgewichtete Merkmal \({Z}^{\prime } \in {\mathbb {R}}^{16\times 1}\) wurde durch die gewichtete Summierung des Aufmerksamkeitsgewichts \({W }^{i}\) und das entsprechende Merkmal, \({Z}^{i}\). Das vorgeschlagene BP-Schätzsystem erzeugt einen geschätzten BP über die Ausgabeschicht unter Verwendung der aufmerksamkeitsgewichteten Funktion \({Z}^{\prime }\). Um das Aufmerksamkeitsmechanismusmodell zu trainieren, wurde der MSE-Verlust zwischen den Referenz- und geschätzten BPs \({\hat{y}}\) berechnet, die aus der Ausgabeschicht des Aufmerksamkeitsmechanismus erhalten wurden. Das vorgeschlagene Modell wurde separat trainiert, um den MSE für systolischen und diastolischen Blutdruck zu minimieren.

In dieser Studie haben wir einen Mehrkanal-PPG-Sensor entwickelt, der Mehrkanal-PPG-Signale bei verschiedenen Wellenlängen erfasst. Darüber hinaus haben wir ein Deep-Learning-basiertes Blutdruckschätzungssystem entwickelt, das den Blutdruck anhand von Mehrkanal-PPG-Signalen vorhersagen kann, die vom vorgeschlagenen Sensor und Fingerdrucksignal erfasst werden. Das vorgeschlagene BP-Schätzsystem kann Merkmale ohne menschliches Engineering extrahieren und den BP durch einen Aufmerksamkeitsmechanismus genau vorhersagen. Durch die Analyse der Aufmerksamkeitsgewichtung haben wir bestätigt, dass der Aufmerksamkeitsmechanismus die Vorhersageleistung von Bluthochdruck und Hypotonie verbessern kann. Da es sich bei dem vorgeschlagenen Deep-Learning-basierten Blutdruckschätzungssystem um eine manschetten- und kalibrierungsfreie Methode handelt, ist es möglich, den Blutdruck regelmäßig zu überwachen und Bluthochdruck frühzeitig zu diagnostizieren. Das vorgeschlagene Blutdruckschätzungssystem kann möglicherweise eine regelmäßige Blutdrucküberwachung mehrerer Benutzer über mobile Geräte wie Smartphones oder intelligente Armbanduhren ermöglichen.

Die Daten, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage per E-Mail beim entsprechenden Autor erhältlich.

Fassbender, H. et al. Vollständig implantierbarer Blutdrucksensor für hypertonische Patienten. In Proceedings of the 7th IEEE Sensors Conference, 1226–1229 (2008).

Ward, M. & Langton, JA Blutdruckmessung. Fortsetzung. Educ. Anaesth. Krit. Care Pain 7, 122–126 (2007).

Artikel Google Scholar

Babbs, CF Der Ursprung der Korotkoff-Geräusche und die Genauigkeit auskultatorischer Blutdruckmessungen. Marmelade. Soc. Hypertoniker. 9, 935–950 (2015).

Artikel PubMed Google Scholar

Nachman, D. et al. Vergleich der Blutdruckmessungen zwischen einem auf Photoplethysmographie basierenden und einem auf Standardmanschetten basierenden Manometriegerät. Wissenschaft. Rep. 10, 1–9 (2020).

Artikel Google Scholar

Ding, X. et al. Pulslaufzeitbasierte kontinuierliche manschettenlose Blutdruckschätzung: Eine neue Erweiterung und eine umfassende Auswertung. Wissenschaft. Rep. 7, 1–11 (2017).

Artikel ADS Google Scholar

Kim, C.-S., Carek, AM, Mukkamala, R., Inan, OT & Hahn, J.-O. Ballistokardiogramm als proximale Zeitreferenz für die Messung der Pulslaufzeit: Potenzial für die manschettenlose Blutdrucküberwachung. IEEE Trans. Biomed. Ing. 62, 2657–2664 (2015).

Artikel PubMed PubMed Central Google Scholar

Chandrasekhar, A., Yavarimanesh, M., Natarajan, K., Hahn, J.-O. & Mukkamala, R. Bei der manschettenlosen Blutdruckmessung sollte der Kontaktdruck des PPG-Sensors berücksichtigt werden. IEEE Trans. Biomed. Ing. 67, 3134–3140 (2020).

Artikel PubMed PubMed Central Google Scholar

Yoon, Y.-Z. et al. Manschettenlose Blutdruckschätzung mittels Pulswellenformanalyse und Pulsankunftszeit. IEEE J. Biomed. Gesundheitsinformationen. 22, 1068–1074 (2017).

Artikel PubMed Google Scholar

Baek, S., Jang, J. & Yoon, S. End-to-End-Blutdruckvorhersage über vollständig Faltungsnetzwerke. IEEE Access 7, 185458–185468 (2019).

Artikel Google Scholar

Chandrasekhar, A. et al. Smartphone-basierte Blutdruckmessung mittels oszillometrischer Fingerdruckmethode. Wissenschaft. Übers. Med. 10, 8674 (2018).

Artikel Google Scholar

Internationaler Standard ISO 81060-2:2018. Nicht-invasive Blutdruckmessgeräte – Teil 2: Klinische Untersuchung des intermittierenden automatisierten Messtyps (2018).

Kingma, DP & Ba, J. Adam: Eine Methode zur stochastischen Optimierung. arXiv-Vorabdruck arXiv:1412.6980 (2014).

Saeed, M. et al. Intelligente Multiparameter-Überwachung auf der Intensivstation II (MIMIC-II): Eine öffentlich zugängliche Datenbank für Intensivstationen. Krit. Pflege Med. 39, 952 (2011).

Artikel PubMed PubMed Central Google Scholar

Liu, D., Görges, M. & Jenkins, SA Vitalparameter-Datensatz der University of Queensland: Entwicklung eines zugänglichen Repositorys für Überwachungsdaten von Anästhesiepatienten für Forschungszwecke. Anästhesie. Analg. 114, 584–589 (2012).

Artikel CAS PubMed Google Scholar

Ahmad, S. et al. Elektrokardiogramm-gestützte Blutdruckschätzung. IEEE Trans. Biomed. Ing. 59, 608–618 (2012).

Artikel PubMed Google Scholar

Chandrasekaran, V., Dantu, R., Jonnada, S., Thiyagaraja, S. & Subbu, KP Manschettenlose Differenzialblutdruckschätzung mit Smartphones. IEEE Trans. Biomed. Ing. 60, 1080–1089 (2012).

Artikel PubMed Google Scholar

Dewitte, K., Fierens, C., Stockl, D. & Thienpont, LM Anwendung des Bland-Altman-Diagramms zur Interpretation von Methodenvergleichsstudien: Eine kritische Untersuchung seiner Praxis. Klin. Chem. 48, 799–801 (2002).

Artikel CAS PubMed Google Scholar

Harfiya, LN, Chang, C.-C. & Li, Y.-H. Kontinuierliche Blutdruckschätzung unter ausschließlicher Verwendung von Photopletysmographie durch LSTM-basierte Signal-zu-Signal-Übersetzung. Sensoren 21, 2952 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Khalid, SG, Zhang, J., Chen, F. & Zheng, D. Blutdruckschätzung nur mithilfe der Photoplethysmographie: Vergleich zwischen verschiedenen Ansätzen des maschinellen Lernens. J. Healthc. Ing. 2018, 13 (2018).

Artikel Google Scholar

Feng, S., Zhou, H. & Dong, H. Verwendung eines tiefen neuronalen Netzwerks mit kleinem Datensatz zur Vorhersage von Materialfehlern. Mater. Des. 162, 300–310 (2019).

Artikel Google Scholar

Mukkamala, R. et al. Bewertung der Genauigkeit manschettenloser Blutdruckmessgeräte: Herausforderungen und Vorschläge. Hypertonie 78, 1161–1167 (2021).

Artikel CAS PubMed Google Scholar

Zhang, L. et al. Entwicklung personalisierter Modelle zur Blutdruckschätzung aus Daten tragbarer Sensoren unter Verwendung minimal trainierter domänengegnerischer neuronaler Netze. In Proceedings of the Machine Learning for Healthcare Conference, 97–120 (2020).

Thompson, B., Gwinnup, J., Khayrallah, H., Duh, K. & Koehn, P. Überwindung des katastrophalen Vergessens während der Domänenanpassung der neuronalen maschinellen Übersetzung. In Proceedings of the NAACL, 2062–2068 (2019).

Tzeng, E., Hoffman, J., Saenko, K. & Darrell, T. Adversarial diskriminative Domänenanpassung. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 7167–7176 (2017).

O'brien, E., Waeber, B., Parati, G., Staessen, J. & Myers, MG Blutdruckmessgeräte: Empfehlungen der Europäischen Gesellschaft für Bluthochdruck. BMJ 322, 531–536 (2001).

Artikel PubMed PubMed Central Google Scholar

Liu, M., Po, L.-M. & Fu, H. Manschettenlose Blutdruckschätzung basierend auf dem Photoplethysmographiesignal und seiner zweiten Ableitung. Int. J. Comput. Wissenschaft. Ing. 9, 202 (2017).

Google Scholar

Shimazaki, S., Bhuiyan, S., Kawanaka, H. & Oguri, K. Bietet Extraktion für die Manschettenlose Blutdruckschätzung durch Autoencoder aus der Photoplethysmographie. In Proceedings of the Annual International Conference der IEEE Engineering in Medicine and Biology Society, 2857–2860 (2018).

Albawi, S., Mohammed, TA & Al-Zawi, S. Verständnis eines Faltungs-Neuronalen Netzwerks. In Proceedings of the International Conference on Engineering and Technology, 1–6 (2017).

He, K., Zhang, X., Ren, S. & Sun, J. Deep Residual Learning für die Bilderkennung. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 770–778 (2016).

Chorowski, JK, Bahdanau, D., Serdyuk, D., Cho, K. & Bengio, Y. Aufmerksamkeitsbasierte Modelle für die Spracherkennung. In Proceedings of the Advances in Neural Information Processing Systems, 28 (2015).

Bahdanau, D., Chorowski, J., Serdyuk, D., Brakel, P. & Bengio, Y. End-to-End aufmerksamkeitsbasierte Spracherkennung mit großem Vokabular. In Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing, 4945–4949 (2016).

Galassi, A., Lippi, M. & Torroni, P. Aufmerksamkeit bei der Verarbeitung natürlicher Sprache. IEEE Trans. Neuronales Netz. Lernen. Syst. 32, 4291–4308 (2020).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde teilweise durch einen von der koreanischen Regierung (MSIT) finanzierten Zuschuss des Institute of Information & communications Technology Planning & Evaluation (IITP) (Nr. 2020-0-01373, Artificial Intelligence Graduate School Program (Hanyang University)) und die Technology Innovation unterstützt Programm (20013726, Entwicklung industrieller intelligenter Technologie für intelligente Fabriken), finanziert vom Ministerium für Handel, Industrie und Energie (MOTIE, Korea) und dem Samsung Advanced Institute of Technology (Seoul, Korea).

Abteilung für Elektrotechnik, Hanyang-Universität, Seoul, 04763, Republik Korea

Jehyun Kyung, Joon-Young Yang, Jeong-Hwan Choi und Joon-Hyuk Chang

SAIT, Samsung Electronics, Advanced Sensor Lab, Suwon-si, Gyeonggi-do, 16677, Republik Korea

Sangkon Bae, Jinwoo Choi und Younho Kim

Sie können diesen Autor auch in PubMed Google Scholar suchen

JK konzipierte die Studie, führte die Experimente durch, analysierte die Ergebnisse und schrieb das Manuskript. J.-YY und J.-HC überprüften die Studie kritisch und halfen bei der Ausarbeitung des Manuskripts. SB analysierte die Daten, überprüfte die Studie kritisch und half bei der Erstellung des Manuskripts. JC und YK analysierten die Daten und überprüften die Studie kritisch. J.-HC entwarf die Gesamtstudie und half beim Verfassen des endgültigen Manuskripts. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Joon-Hyuk Chang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Kyung, J., Yang, JY., Choi, JH. et al. Deep-Learning-basierte Blutdruckschätzung mittels Mehrkanal-Photoplethysmogramm und Fingerdruck mit Aufmerksamkeitsmechanismus. Sci Rep 13, 9311 (2023). https://doi.org/10.1038/s41598-023-36068-6

Zitat herunterladen

Eingegangen: 01. Dezember 2022

Angenommen: 29. Mai 2023

Veröffentlicht: 08. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-36068-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Nachricht