U-Netを用いた心電図信号による連続血圧値推定

• Item type: SIG Technical Reports(1)
• 公開日: 2022-05-19
• タイトル: U-Netを用いた心電図信号による連続血圧値推定
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 医療・健康・生活支援
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 慶應義塾大学大学院理工学研究科
• 著者所属: 慶應義塾大学理工学部情報工学科
• 著者所属: 慶應義塾大学理工学部情報工学科
• 著者所属(英): en
• 著者所属(英): Graduate School of Science and Technology, Keio University
• 著者所属(英): en
• 著者所属(英): Department of Computer and Information Science, Keio University
• 著者所属(英): en
• 著者所属(英): Department of Computer and Information Science, Keio University
• 著者名: 吉澤, 陸人; 山本, 幸平; 大槻, 知明
• 著者名(英): Rikuto, Yoshizawa; Kohei, Yamamoto; Tomoaki, Ohtsuki
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: カフを用いずに不快感少なく血圧を推定する方法として，心電図を用いた方法が近年研究されている．先行研究では，心電図信号から血圧を推定する深層学習モデルが提案された．しかし，それらは約 10 秒間のセグメントにおける最大，最小，平均血圧を推定するのみであり，そのセグメント内の連続的な血圧値の推移（連続血圧値）を推定できない．本稿では，深層学習モデルの U-Net を用いて心電図信号から連続血圧値を推定する方法を提案する．約 185 時間分のデータセットによる特性評価を通して，提案法は高い精度で連続血圧値を推定できることを確認した．また，提案法は連続血圧値を推定できるにもかかわらず，推定した連続血圧値から算出された最大，最小，平均血圧の推定精度は先行研究と同程度であることを確認した．最後に，提案法および先行研究の提案モデルに対する特性評価を基に，モデルが被験者に過学習する問題や今後の課題について考察した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Blood pressure estimation methods using electrocardiogram (ECG) signals have been recently studied for user-friendly blood pressure estimation. Previous works proposed deep learning models to estimate blood pressure from ECG signals. However, they can only estimate max, min, and mean blood pressures in about a 10-second segment and cannot estimate the continuous blood pressure transition, called arterial blood pressure (ABP). This report presents the ABP estimation method from ECG signals using the deep learning model of U-Net. Through the performance evaluation with a dataset of about 185 hours of ECG signals, we observed that the proposed method estimated ABP with high accuracy. Furthermore, we confirmed that the accuracies of the calculated max, min, and mean ABPs were comparable to those in the previous works, even though our method can estimate ABP. In the end, we discussed the subject-overfitting problem and future work based on the evaluation of our model and a model proposed in the previous work.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10116224
• 書誌情報: 研究報告マルチメディア通信と分散処理（DPS）; 巻 2022-DPS-191, 号 11, p. 1-6, 発行日 2022-05-19
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8906
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会