机构名称：
¥ 1.0
可穿戴设备提供对生物标志物的连续监测，并介绍了诊断心血管疾病的机会，可能会降低其死亡率。机器学习有望从传感器数据中预测心血管生物标志物，但其使用通常取决于标记的数据集的可用性，该数据集由于技术和道德约束而受到限制。另一方面，生物物理模拟为数据稀缺提供了一种解决方案，但由于固有的模型简化和指定错误，在模型转移到现实中面临挑战。基于混合学习的进步，我们引入了一种方法，该方法结合了植物模拟的脉冲波传播模型，并植根于生物物理模拟，并使用未经标记的现实世界数据训练的校正模型。这种生成模型将心血管参数转换为现实世界传感器的测量值，并且在作为自动编码器进行训练时，还提供了反向转换，将测量值映射到心血管生物标志物。值得注意的是，当使用实际脉冲波数据进行评估时，我们的混合方法似乎仅基于模拟的模型，仅基于推断心血管生物标志物的模拟，开辟了新的途径，用于在数据受限的方案中推断生理生物标志物。
通过混合模型学习推断心血管生物标志物
主要关键词
相关文件推荐
