ترجمه فارسی مقاله INN-PAR: شبکه عصبی معکوس برای بازسازی PPG به ABP

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی INN-PAR: Invertible Neural Network for PPG to ABP Reconstruction
عنوان مقاله به فارسی INN-PAR: شبکه عصبی معکوس برای بازسازی PPG به ABP
نویسندگان Soumitra Kundu, Gargi Panda, Saumik Bhattacharya, Aurobinda Routray, Rajlakshmi Guha
فرمت مقاله انگلیسی PDF
تعداد صفحات 5
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Human-Computer Interaction,یادگیری ماشین , تعامل انسان و رایانه ,
توضیحات Submitted 13 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Non-invasive and continuous blood pressure (BP) monitoring is essential for the early prevention of many cardiovascular diseases. Estimating arterial blood pressure (ABP) from photoplethysmography (PPG) has emerged as a promising solution. However, existing deep learning approaches for PPG-to-ABP reconstruction (PAR) encounter certain information loss, impacting the precision of the reconstructed signal. To overcome this limitation, we introduce an invertible neural network for PPG to ABP reconstruction (INN-PAR), which employs a series of invertible blocks to jointly learn the mapping between PPG and its gradient with the ABP signal and its gradient. INN-PAR efficiently captures both forward and inverse mappings simultaneously, thereby preventing information loss. By integrating signal gradients into the learning process, INN-PAR enhances the network's ability to capture essential high-frequency details, leading to more accurate signal reconstruction. Moreover, we propose a multi-scale convolution module (MSCM) within the invertible block, enabling the model to learn features across multiple scales effectively. We have experimented on two benchmark datasets, which show that INN-PAR significantly outperforms the state-of-the-art methods in both waveform reconstruction and BP measurement accuracy.

چکیده به فارسی (ترجمه ماشینی)

نظارت غیر تهاجمی و مداوم فشار خون (BP) برای پیشگیری زودهنگام بسیاری از بیماری های قلبی عروقی ضروری است.برآورد فشار خون شریانی (ABP) از فتوپلتسموگرافی (PPG) به عنوان یک راه حل امیدوارکننده ظاهر شده است.با این حال ، رویکردهای یادگیری عمیق موجود برای بازسازی PPG به ABP (PAR) با از دست دادن اطلاعات خاصی روبرو می شوند و بر دقت سیگنال بازسازی شده تأثیر می گذارد.برای غلبه بر این محدودیت ، ما یک شبکه عصبی غیرقابل برگشت برای PPG به بازسازی ABP (Inn-PAR) معرفی می کنیم ، که از یک سری بلوک های قابل برگشت استفاده می کند تا به طور مشترک نقشه برداری بین PPG و شیب آن را با سیگنال ABP و شیب آن بیاموزد.Inn-par به طور مؤثر همزمان نقشه های رو به جلو و معکوس را به طور همزمان ضبط می کند ، در نتیجه از از بین رفتن اطلاعات جلوگیری می کند.با ادغام شیب سیگنال در فرآیند یادگیری ، Inn-Par توانایی شبکه را در ضبط جزئیات اساسی فرکانس بالا تقویت می کند و منجر به بازسازی دقیق تر سیگنال می شود.علاوه بر این ، ما یک ماژول Convolution چند مقیاس (MSCM) را در بلوک قابل عبور پیشنهاد می کنیم ، و این مدل را قادر می سازد تا ویژگی ها را در مقیاس های مختلف به طور مؤثر بیاموزد.ما در دو مجموعه داده معیار آزمایش کرده ایم ، که نشان می دهد Inn-Par به طور قابل توجهی از روشهای پیشرفته در هر دو بازسازی شکل موج و دقت اندازه گیری BP بهتر عمل می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.