نمایش مختصر رکورد

dc.contributor.authorخالقیان, معصومهfa_IR
dc.contributor.authorشجاعی لنگری, سیده سمانهfa_IR
dc.contributor.authorمحسنی, مهدیfa_IR
dc.contributor.authorبیگ زاده, مریمfa_IR
dc.date.accessioned1404-02-11T08:26:37Zfa_IR
dc.date.accessioned2025-05-01T08:26:38Z
dc.date.available1404-02-11T08:26:37Zfa_IR
dc.date.available2025-05-01T08:26:38Z
dc.date.issued2024-12-01en_US
dc.date.issued1403-09-11fa_IR
dc.identifier.citationخالقیان, معصومه, شجاعی لنگری, سیده سمانه, محسنی, مهدی, بیگ زاده, مریم. (1403). استفاده از شبکه‌ی UNet با نظارت عمیق برای تخمین فشار خون پیوسته از سیگنال فوتوپلتیسموگرافی. زیست‌فناوری مدرس, 16(1), 18-34.fa_IR
dc.identifier.issn2322-2115
dc.identifier.issn2476-6917
dc.identifier.urihttp://biot.modares.ac.ir/article-22-73513-fa.html
dc.identifier.urihttps://iranjournals.nlai.ir/handle/123456789/1163121
dc.description.abstractپایش فشار خون، یکی از مؤلفه‌های حیاتی برای حفظ سلامتی است. فشار خون بالا، به عنوان یک عامل خطر می‌تواند منجر به بروز حمله قلبی، سکته، نارسایی قلبی و کلیوی شود. همچنین، فشار خون پایین نیز می‌تواند خطرناک باشد و منجر به گیجی، ضعف، غش و اختلال در اکسیژن رسانی به اندام‌ها و آسیب به مغز و قلب گردد. از این رو پایش مداوم میزان فشار خون در افراد با ریسک بالا بسیار حائز اهمیت می‌باشد، به طوری که استفاده از دستگاه هولتر فشارخون به دلیل قابلیت ثبت طولانی مدت و ارزشمند اطلاعات فشارخون برای بسیاری از بیماران تجویز می‌شود. تلاش برای دستیابی به تکنیک‌های نرم افزاری و توسعه دستگاه‏های اندازه‌گیری فشارخون بدون کاف، با حفظ آسایش و راحتی بیمار، از مهم‌ترین چالش‌هایی است که ذهن پژوهشگران را به خود اختصاص داده است. در این پژوهش یک چهارچوب یادگیری عمیق بر مبنای شبکهUNet  یک­بعدی با نظارت عمیق جهت تخمین فشار خون پیوسته از روی سیگنال فوتوپلتیسموگرافی بدون استفاده از روش کالیبراسیون فردی ارائه شده است. مدل ارائه شده بر روی بانک داده UCI برای 942 بیمار تحت مراقبت ویژه، به میانگین خطای مطلق  88/8 ، 43/4 و 32/3 و انحراف معیار 01/11، 18/6 و 15/4 میلی­متر جیوه به ترتیب برای فشار خون سیستول ، دیاستول و فشار خون میانگین دست یافت. طبق استاندارد بین المللی BHS، روش پیشنهادی، درجه‏ی A برای فشار خون دیاستول و میانگین و نیز درجه‏یC  برای فشار خون سیستول را برآورده می‏کند. نتایج حاصل از این پژوهش حاکی از آن است که چهارچوب یادگیری عمیق پیشنهادی fa_IR
dc.format.extent1603
dc.format.mimetypeapplication/pdf
dc.languageفارسی
dc.language.isofa_IR
dc.publisherدانشگاه تربیت مدرسfa_IR
dc.relation.ispartofزیست‌فناوری مدرسfa_IR
dc.relation.ispartofModares Journal of Biotechnologyen_US
dc.subjectسیگنال فوتوپلتیسموگرافیfa_IR
dc.subjectتخمین فشار خونfa_IR
dc.subjectروش غیرتهاجمیfa_IR
dc.subjectهوش مصنوعیfa_IR
dc.subjectیادگیری عمیقfa_IR
dc.subjectیادگیری ماشینfa_IR
dc.titleاستفاده از شبکه‌ی UNet با نظارت عمیق برای تخمین فشار خون پیوسته از سیگنال فوتوپلتیسموگرافیfa_IR
dc.typeTexten_US
dc.contributor.departmentدانشکده برق و کامپوتر، دانشگاه خوارزمیfa_IR
dc.contributor.departmentگروه مهندسی پزشکی، پژوهشکده برق و فناوری اطلاعات، سازمان پژوهش‌های علمی و صنعتی ایران، تهرانfa_IR
dc.contributor.departmentدانشکده برق و کامپیوتر، دانشگاه شهید بهشتی ، تهرانfa_IR
dc.contributor.departmentگروه مهندسی پزشکی، پژوهشکده برق و فناوری اطلاعات، سازمان پژوهشهای علمی و صنعتی ایرانfa_IR
dc.citation.volume16
dc.citation.issue1
dc.citation.spage18
dc.citation.epage34


فایل‌های این مورد

Thumbnail

این مورد در مجموعه‌های زیر وجود دارد:

نمایش مختصر رکورد