ترجمه فارسی مقاله شبکه‌های زمانی مبتنی بر یادگیری متضاد مبتنی بر فیزیک برای تخمین فشار خون بدون کاف

چکیده

Time series data mining is immensely important in extensive applications, such as traffic, medical, and e-commerce. In this paper, we focus on medical temporal variation modeling, \emph{i.e.,} cuffless blood pressure (BP) monitoring which has great value in cardiovascular healthcare. Although providing a comfortable user experience, such methods are suffering from the demand for a significant amount of realistic data to train an individual model for each subject, especially considering the invasive or obtrusive BP ground-truth measurements. To tackle this challenge, we introduce a novel physics-informed temporal network~(PITN) with adversarial contrastive learning to enable precise BP estimation with very limited data. Specifically, we first enhance the physics-informed neural network~(PINN) with the temporal block for investigating BP dynamics’ multi-periodicity for personal cardiovascular cycle modeling and temporal variation. We then employ adversarial training to generate extra physiological time series data, improving PITN’s robustness in the face of sparse subject-specific training data. Furthermore, we utilize contrastive learning to capture the discriminative variations of cardiovascular physiologic phenomena. This approach aggregates physiological signals with similar blood pressure values in latent space while separating clusters of samples with dissimilar blood pressure values. Experiments on three widely-adopted datasets with different modailties (\emph{i.e.,} bioimpedance, PPG, millimeter-wave) demonstrate the superiority and effectiveness of the proposed methods over previous state-of-the-art approaches. The code is available at~\url{https://github.com/Zest86/ACL-PITN}.

چکیده به فارسی (ترجمه ماشینی)

داده های کاوی سری زمانی در برنامه های گسترده مانند ترافیک ، پزشکی و تجارت الکترونیکی بسیار مهم است.در این مقاله ، ما بر روی مدل سازی تنوع زمانی پزشکی ، \ emph {یعنی ، pressure فشار خون بدون کاف (BP) تمرکز می کنیم که در مراقبت های بهداشتی قلبی عروقی از ارزش زیادی برخوردار است.اگرچه ارائه یک تجربه کاربری راحت ، چنین روشهایی از تقاضای مقدار قابل توجهی از داده های واقع گرایانه برای آموزش یک مدل فردی برای هر موضوع رنج می برند ، به خصوص با توجه به اندازه گیری های تهاجمی یا مبهم BP ،برای مقابله با این چالش ، ما یک شبکه زمانی جدید فیزیک آگاهانه ~ (PITN) را با یادگیری متضاد متضاد معرفی می کنیم تا تخمین دقیق BP را با داده های بسیار محدود فعال کنیم.به طور خاص ، ما ابتدا شبکه عصبی آگاه از فیزیک (PINN) را با بلوک موقتی برای بررسی چند دوره ای دینامیک BP برای مدل سازی چرخه قلبی عروقی شخصی و تنوع زمانی تقویت می کنیم.سپس ما از آموزش های مخالف برای تولید داده های سری زمانی فیزیولوژیکی اضافی استفاده می کنیم ، و استحکام پیتن را در مقابل داده های آموزشی پراکنده موضوع بهبود می بخشیم.علاوه بر این ، ما از یادگیری متضاد برای ضبط تغییرات تبعیض آمیز پدیده های فیزیولوژیکی قلبی عروقی استفاده می کنیم.این رویکرد سیگنال های فیزیولوژیکی را با مقادیر فشار خون مشابه در فضای نهفته جمع می کند در حالی که خوشه های نمونه ها را با مقادیر فشار خون متفاوت جدا می کند.آزمایشات روی سه مجموعه داده گسترده به طور گسترده با modailties مختلف (\ amp {یعنی ، bioimpedance ، PPG ، موج میلی متر) برتری و اثربخشی روشهای پیشنهادی را نسبت به رویکردهای قبلی از نظر قبلی نشان می دهد.کد در ~ \ url {https://github.com/zest86/acl-pitn} در دسترس است.