粒子群の最適化とゲートされた再帰単位によって改善された変数モード分解のハイブリッドモデルを使用して,大動脈圧力波形を再構築する

科学分野:

• 生物医学工学
• 心血管の生理学
• シグナル処理
• 医療における人工知能

背景:

• 動脈圧波形 (APW) は心臓血管疾患の診断と管理に不可欠です.
• 現在の非侵襲的なAPW推定方法は,正確性と実用性を改善する必要があります.
• 腕圧波形 (BPW) からAPWを正確に再構築することは,重要な臨床的必要性です.

研究 の 目的:

• BPWからAPWを再構築するための新しいハイブリッドモデル,粒子群最適化-変数モード分解-ゲートリキュアントユニット (PSO-VMD-GRU) の開発と検証.
• 提案されたPSO-VMD-GRUモデルのパフォーマンスを,一般化された転送機能 (GTF) や他のニューラルネットワーク (TCN,CBi-SAN) といった確立された方法と比較する.
• 総波形と主要血液動力指数 (シストリック,ダイアストリック,脈圧) の再構築におけるモデルの精度を評価する.

主な方法:

• 信号分解のためのPSO-VMDと波形再構築のためのGRUを組み合わせたハイブリッドモデルが開発されました.
• このモデルは,合成データで補完された侵入的なAPWとBPWデータを用いて訓練され,検証されました.
• 性能は,総波形と血液動力指標の平均絶対誤差 (MAE) とスピアーマンの相関係数 (SCC) を用いて評価された.

主要な成果:

• PSO- VMD- GRUでは,総波形 (0. 9912) と腹圧 (0. 9676) で最高値のSCCを達成しました.
• テンポラルコンボリューションネットワーク (TCN) は,静脈圧 (0. 9850) と脈圧 (0. 9875) で最高のパフォーマンスを示した.
• PSO-VMD-GRUは競争力のあるMAE値を示し,すべてのメトリックでCBi-SANに匹敵し,特定のパラメータでGTFとTCNを上回りました.

結論:

• PSO-VMDとGRUの統合は,BPWからAPWの再構築の精度を効果的に高めます.
• 提案されたPSO-VMD-GRUモデルは,非侵襲的血液動力学的モニタリングのための有望で正確で実用的なアプローチを提供します.
• このハイブリッドモデルのさらなる検証と臨床実装は 心血管診断を大幅に進める可能性があります