Recently, photoplethysmography (PPG)-based techniques have been extensively used for cuff-less, automated estimation of blood pressure because of their inexpensive and effortless acquisition technology compared to other conventional approaches. However, most of the reported PPG-based, generalized BP estimation methods often lack the desired accuracy due to pathophysiological diversity. Moreover, some methods rely on several correction factors, which are not globalized yet and require further investigation. In this paper, a simple and automated systolic (SBP) and diastolic (DBP) blood pressure estimation method is proposed based on patient-specific neural network (NN) modeling. Initially, 15 time-plane PPG features are extracted and after feature selection, only four selected features are used in the NN model for beat-to-beat estimation of SBP and DBP, respectively. The proposed technique also presents reasonable accuracy while used for generalized estimation of BP. Performance of the algorithm is evaluated on 670 records of 50 intensive care unit (ICU) patients taken from MIMIC, MIMIC II and MIMIC Challenge databases. The proposed algorithm exhibits high average accuracy with (mean[Formula: see text][Formula: see text][Formula: see text]SD) of the estimated SBP as ([Formula: see text]) mmHg and DBP as ([Formula: see text]) mmHg. Compared to the other generalized models, the use of patient-specific approach eliminates the necessity of individual correction factors, thus increasing the robustness, accuracy and potential of the method to be implemented in personal healthcare applications.

中文翻译：

---

使用患者特定神经网络建模的基于 PPG 的血压自动估计

最近，与其他传统方法相比，基于光电容积描记术 (PPG) 的技术已被广泛用于无袖带、自动血压估计，因为它们的采集技术便宜且轻松。然而，由于病理生理学的多样性，大多数报道的基于 PPG 的广义 BP 估计方法通常缺乏所需的准确性。此外，一些方法依赖于几个校正因素，这些因素尚未全球化，需要进一步研究。本文提出了一种基于患者特定神经网络 (NN) 建模的简单、自动化的收缩压 (SBP) 和舒张压 (DBP) 血压估计方法。最初，提取了 15 个时间平面 PPG 特征，在特征选择之后，NN 模型中仅使用四个选定的特征分别用于 SBP 和 DBP 的逐搏估计。所提出的技术在用于 BP 的广义估计时也具有合理的准确性。该算法的性能是根据从 MIMIC、MIMIC II 和 MIMIC Challenge 数据库中获取的 50 名重症监护病房 (ICU) 患者的 670 条记录进行评估的。所提出的算法表现出较高的平均准确度，估计 SBP 为 ([公式: 见文本]) mmHg 和 DBP 为 ([公式: 见文本][公式: 见文本]SD) ：见正文]）毫米汞柱。与其他广义模型相比，使用患者特定方法消除了个体校正因素的必要性，从而提高了该方法在个人医疗保健应用中实施的稳健性、准确性和潜力。分别。所提出的技术在用于 BP 的广义估计时也具有合理的准确性。该算法的性能是根据从 MIMIC、MIMIC II 和 MIMIC Challenge 数据库中获取的 50 名重症监护病房 (ICU) 患者的 670 条记录进行评估的。所提出的算法表现出较高的平均准确度，估计 SBP 为 ([公式: 见文本]) mmHg 和 DBP 为 ([公式: 见文本][公式: 见文本]SD) ：见正文]）毫米汞柱。与其他广义模型相比，使用患者特定方法消除了个体校正因素的必要性，从而提高了该方法在个人医疗保健应用中实施的稳健性、准确性和潜力。分别。所提出的技术在用于 BP 的广义估计时也具有合理的准确性。该算法的性能是根据从 MIMIC、MIMIC II 和 MIMIC Challenge 数据库中获取的 50 名重症监护病房 (ICU) 患者的 670 条记录进行评估的。所提出的算法表现出较高的平均准确度，估计 SBP 为 ([公式: 见文本]) mmHg 和 DBP 为 ([公式: 见文本][公式: 见文本]SD) ：见正文]）毫米汞柱。与其他广义模型相比，使用患者特定方法消除了个体校正因素的必要性，从而提高了该方法在个人医疗保健应用中实施的稳健性、准确性和潜力。该算法的性能是根据从 MIMIC、MIMIC II 和 MIMIC Challenge 数据库中获取的 50 名重症监护病房 (ICU) 患者的 670 条记录进行评估的。所提出的算法表现出较高的平均准确度，估计 SBP 为 ([公式: 见文本]) mmHg 和 DBP 为 ([公式: 见文本][公式: 见文本]SD) ：见正文]）毫米汞柱。与其他广义模型相比，使用患者特定方法消除了个体校正因素的必要性，从而提高了该方法在个人医疗保健应用中实施的稳健性、准确性和潜力。该算法的性能是根据从 MIMIC、MIMIC II 和 MIMIC Challenge 数据库中获取的 50 名重症监护病房 (ICU) 患者的 670 条记录进行评估的。所提出的算法表现出较高的平均准确度，估计 SBP 为 ([公式: 见文本]) mmHg 和 DBP 为 ([公式: 见文本][公式: 见文本]SD) ：见正文]）毫米汞柱。与其他广义模型相比，使用患者特定方法消除了个体校正因素的必要性，从而提高了该方法在个人医疗保健应用中实施的稳健性、准确性和潜力。见正文][公式：见正文][公式：见正文]SD) 估计的 SBP 为 ([公式：见正文]) mmHg 和 DBP 为 ([公式：见正文]) mmHg。与其他广义模型相比，使用患者特定方法消除了个体校正因素的必要性，从而提高了该方法在个人医疗保健应用中实施的稳健性、准确性和潜力。见正文][公式：见正文][公式：见正文]SD) 估计的 SBP 为 ([公式：见正文]) mmHg 和 DBP 为 ([公式：见正文]) mmHg。与其他广义模型相比，使用患者特定方法消除了个体校正因素的必要性，从而提高了该方法在个人医疗保健应用中实施的稳健性、准确性和潜力。