The objective is to develop a cuffless modelling approach to accurately estimate the blood pressure (BP) waveform and extract important BP features, such as the systolic BP (SBP), diastolic BP (DBP), and mean BP (MAP). Access to the full waveform has significant advantages over previous cuffless BP estimation tools in terms of accuracy and access to additional cardiovascular health markers (e.g., cardiac output), as well as potentially providing arterial stiffness and identifying different cardiovascular diseases. Nonlinear autoregressive models with exogenous input (NARX) are implemented using an artificial neural network to predict the BP waveforms using electrocardiography (ECG), and/or photoplethysmography (PPG) signals as inputs. The efficacy of the model is compared with a pulse arrival time (PAT) model using 15 subjects from the MIMIC II database. Two training modes are considered: training on the first eight minutes of data for each subject (Predictive training) and testing on the rest (up to 5.2 hours); and training on the first and the last eight minutes (Interval training) and testing the model in between. Predictive training and Interval training exhibited similar results initially, while Interval training resulted in higher accuracy over longer periods. The proposed method models the BP as a dynamical system leading to better accuracy in the estimation of SBP, DBP and MAP when compared to the PAT model. Moreover, the NARX model, with its ability to provide the BP waveform, yields more insight into patient health.

中文翻译：

---

血压波形的非线性动态建模：实现精确的无袖带监测系统

目标是开发一种无袖带建模方法，以准确估计血压 (BP) 波形并提取重要的 BP 特征，例如收缩压 (SBP)、舒张压 (DBP) 和平均血压 (MAP)。在准确性和获取额外心血管健康标志物（例如，心输出量）以及潜在提供动脉僵硬度和识别不同心血管疾病方面，获取完整波形比以前的无袖带血压估计工具具有显着优势。使用人工神经网络实现具有外源输入 (NARX) 的非线性自回归模型，以使用心电图 (ECG) 和/或光电容积脉搏波 (PPG) 信号作为输入来预测 BP 波形。该模型的功效与使用 MIMIC II 数据库中的 15 名受试者的脉冲到达时间 (PAT) 模型进行比较。考虑了两种训练模式：对每个科目的前 8 分钟数据进行训练（预测训练）和对其余时间进行测试（最多 5.2 小时）；并在第一分钟和最后八分钟进行训练（间隔训练）并在其间测试模型。预测训练和间隔训练最初表现出相似的结果，而间隔训练在更长的时间内产生了更高的准确性。与 PAT 模型相比，所提出的方法将 BP 建模为一个动态系统，从而在估计 SBP、DBP 和 MAP 时具有更好的准确性。此外，NARX 模型能够提供血压波形，可以更深入地了解患者的健康状况。对每个科目的前 8 分钟数据进行训练（预测训练）并在其余时间进行测试（最多 5.2 小时）；并在第一分钟和最后八分钟进行训练（间隔训练）并在其间测试模型。预测训练和间隔训练最初表现出相似的结果，而间隔训练在更长的时间内产生了更高的准确性。与 PAT 模型相比，所提出的方法将 BP 建模为动态系统，从而在估计 SBP、DBP 和 MAP 时具有更好的准确性。此外，NARX 模型能够提供血压波形，可以更深入地了解患者的健康状况。对每个科目的前 8 分钟数据进行训练（预测训练）并在其余时间进行测试（最多 5.2 小时）；并在第一分钟和最后八分钟进行训练（间隔训练）并在其间测试模型。预测训练和间隔训练最初表现出相似的结果，而间隔训练在更长的时间内产生了更高的准确性。与 PAT 模型相比，所提出的方法将 BP 建模为动态系统，从而在估计 SBP、DBP 和 MAP 时具有更好的准确性。此外，NARX 模型能够提供血压波形，可以更深入地了解患者的健康状况。并在第一分钟和最后八分钟进行训练（间隔训练）并在其间测试模型。预测训练和间隔训练最初表现出相似的结果，而间隔训练在更长的时间内产生了更高的准确性。与 PAT 模型相比，所提出的方法将 BP 建模为动态系统，从而在估计 SBP、DBP 和 MAP 时具有更好的准确性。此外，NARX 模型能够提供血压波形，可以更深入地了解患者的健康状况。并在第一分钟和最后八分钟进行训练（间隔训练）并在其间测试模型。预测训练和间隔训练最初表现出相似的结果，而间隔训练在更长的时间内产生了更高的准确性。与 PAT 模型相比，所提出的方法将 BP 建模为动态系统，从而在估计 SBP、DBP 和 MAP 时具有更好的准确性。此外，NARX 模型能够提供血压波形，可以更深入地了解患者的健康状况。