机构名称：
¥ 2.0
心血管波形的分析提供了有关健康和疾病状况的宝贵临床信息。固有频率（如果）方法是最近引入的框架 - 使用单个动脉压力波形来提取有关心血管系统的生理相关信息。IF方法的临床实用性和生理准确性已通过几项临床前和临床研究良好。但是，当前L 2优化求解器的计算复杂性对于IF计算仍然是实时设置中IF方法实际部署的瓶颈。在本文中，我们提出了一种基于机器学习（ML）的方法，用于确定单个颈动脉波形的IF参数。我们使用依次降低的前馈神经网络（FNN）模型将颈动脉波形映射到IF方法的输出参数，从而避免了非convex l 2最小化问题，该问题是由常规方法引起的。我们的方法还包括用于数据预处理，模型培训和模型评估的程序。在我们的模型开发中，我们同时使用了临床和合成波形。我们的临床数据库由来自两个不同来源的颈动脉波形组成：亨廷顿医学研究机构（HMRI）iPhone心脏研究和Framingham心脏研究（FHS）。在HMRI和FHS临床研究中，使用了各种设备平台，例如压电传动系统，光学分解（Vivio）和iPhone相机来测量动脉波形。我们的盲目临床测试表明，从基于FNN的方法计算的参数与基于标准L 2优化方法的参数之间非常强的相关性（即r 0.93和p-value 0.005，对于每个参数，则为r 0.005）。我们的结果还表明，如果本工作中引入的模型基于FNN的性能独立于测量设备和设备采样率。
一种用于计算心血管内在频率的机器学习方法
主要关键词
相关文件推荐
