← नवीनतम पेपर
⚡ electrical engineering

Generalizable Blood Pressure Estimation from Multi-Wavelength PPG Using Curriculum-Adversarial Learning

यह शोध पत्र एक सामान्यीकरण योग्य रक्तचाप अनुमान ढांचे का प्रस्ताव करता है जो मल्टी-वेवलेंथ पीपीजी (PPG) डेटा पर करिकुलम लर्निंग और डोमेन-एडवर्सरियल ट्रेनिंग को जोड़ता है ताकि सख्त विषय-स्तरीय विभाजन (subject-level splitting) के तहत सिस्टोलिक और डायस्टोलिक रक्तचाप के लिए क्रमशः 14.2 mmHg और 6.4 mmHg के औसत पूर्ण त्रुटि (mean absolute errors) के साथ एक सुदृढ़, विषय-अपरिवर्तनीय प्रदर्शन प्राप्त किया जा सके।

मूल लेखक: Zequan Liang, Ruoyu Zhang, Wei Shao, Mahdi Pirayesh Shirazi Nejad, Ehsan Kourkchi, Setareh Rafatirad, Houman Homayoun

प्रकाशित 2026-07-07
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Zequan Liang, Ruoyu Zhang, Wei Shao, Mahdi Pirayesh Shirazi Nejad, Ehsan Kourkchi, Setareh Rafatirad, Houman Homayoun

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को यह सिखाना चाहते हैं कि केवल उंगली की नब्ज (pulse) के वीडियो को देखकर किसी व्यक्ति का रक्तचाप (blood pressure) कैसे अनुमान लगाया जाए। यह शोध पत्र इसी के बारे में है। शोधकर्ताओं ने एक स्मार्ट सिस्टम बनाया जो प्रकाश का उपयोग करके नब्ज को "देखता" है और फिर रक्तचाप के नंबरों का अनुमान लगाने के लिए गणित का उपयोग करता है।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, जिसे सरल भागों में विभाजित किया गया है:

1. समस्या: धोखाधड़ी और अंधेरे बिंदु (Blind Spots)

अतीत में, कई वैज्ञानिकों ने इन ब्लड प्रेशर अनुमान लगाने वाले सिस्टम को बनाने की कोशिश की, लेकिन उनमें दो बड़ी खामियां थीं:

  • "अंधेरा बिंदु" (The Blind Spot): अधिकांश लोगों ने केवल एक रंग की रोशनी (जैसे एक सिंगल टॉर्च) का उपयोग किया। शोधकर्ताओं ने महसूस किया कि चार अलग-अलग रंगों की रोशनी (जैसे रंगीन टॉर्चों का इंद्रधनुष) का उपयोग करने से रोबोट को बहुत अधिक जानकारी मिलती है, ठीक वैसे ही जैसे किसी वस्तु को रंगीन रूप में देखना ब्लैक एंड व्हाइट में देखने से बेहतर होता है।
  • "धोखाधड़ी" की समस्या: कई अध्ययनों ने अपने रोबोट का परीक्षण उन लोगों के डेटा से किया जिन्हें उन्होंने पहले ही प्रशिक्षित किया था। यह एक ऐसे छात्र की तरह है जो उस परीक्षा में बैठता है जहाँ उसने पहले ही उत्तर देख लिए हों। इससे रोबोट वास्तव में जितने बुद्धिमान थे, उससे कहीं अधिक स्मार्ट दिखने लगे। शोधकर्ताओं ने "छात्रों" (प्रशिक्षण डेटा) को "परीक्षार्थियों" (टेस्ट डेटा) से सख्ती से अलग करके इस समस्या को ठीक किया ताकि कोई धोखाधड़ी न कर सके।

2. समाधान: एक स्मार्ट ट्रेनिंग कैंप

रोबोट को वास्तव में स्मार्ट और सामान्यीकरण योग्य (generalizable - यानी किसी भी व्यक्ति के लिए सही अनुमान लगाने में सक्षम) बनाने के लिए, उन्होंने एक विशेष दो-चरणीय प्रशिक्षण पद्धति का उपयोग किया जिसे वे "करिकुलम-एडवर्सरियल लर्निंग" (Curriculum-Adversarial Learning) कहते हैं। इसे एक दो-भागों वाले ट्रेनिंग कैंप के रूप में समझें:

भाग A: "स्कूल करिकुलम" (करिकुलम लर्निंग)
रोबोट को तुरंत कठिन गणित के सवाल देने के बजाय, उन्होंने इसे चरणों में सिखाया:

  1. पहली कक्षा: उन्होंने रोबोट को एक सरल काम सिखाया: "क्या इस व्यक्ति का रक्तचाप उच्च (hypertension) है या सामान्य?" यह यह सीखने जैसा है कि फल पका हुआ है या कच्चा।
  2. ग्रेजुएशन: एक बार जब रोबोट इसमें अच्छा हो गया, तो उन्होंने धीरे-धीरे कार्य को अपग्रेड किया। उन्होंने उससे केवल "High/Low" का अनुमान लगाने के बजाय, सटीक नंबरों (जैसे 120/80) का अनुमान लगाने के लिए कहा।
  • क्यों? पहले बड़ी तस्वीर को समझना और फिर सूक्ष्म विवरणों को भरना आसान होता है। इससे रोबोट को पूरी तरह से हल करने की कोशिश करने से पहले समस्या के "आकार" को समझने में मदद मिलती है।

भाग B: "पहचान चोर" (एडवर्सरियल ट्रेनिंग)
यह सबसे चतुर हिस्सा है। शोधकर्ताओं ने एक दूसरा रोबोट जोड़ा, एक "जासूस", जिसका एकमात्र काम व्यक्ति की नब्ज के आधार पर यह अनुमान लगाना था कि वह कौन है।

  • मुख्य रोबोट रक्तचाप का अनुमान लगाने की कोशिश करता है।
  • जासूस व्यक्ति का नाम बताने की कोशिश करता है।
  • ट्रिक: यदि जासूस नाम का अनुमान लगा लेता है, तो मुख्य रोबोट को दंडित किया जाता है। इसलिए, मुख्य रोबोट नब्ज के सभी अद्वितीय "व्यक्तित्व" लक्षणों को हटाकर केवल उन सार्वभौमिक विशेषताओं पर ध्यान केंद्रित करना सीखता है जो रक्तचाप से संबंधित हैं।
  • परिणाम: रोबोट व्यक्ति की पहचान को भूलना और केवल रक्त प्रवाह के भौतिक विज्ञान (physics) पर ध्यान केंद्रित करना सीख जाता है, जिससे यह नए, अज्ञात लोगों के लिए बेहतर अनुमान लगाने में सक्षम हो जाता है।

3. टीम वर्क: रोशनी का मिश्रण

यह सिस्टम चार अलग-अलग लाइट चैनलों (660nm, 730nm, 850nm, और 940nm) का उपयोग करता है।

  • कल्पना कीजिए कि प्रत्येक प्रकाश रंग एक बैंड में अलग-अलग संगीतकारों की तरह है। एक बेस (diastolic pressure) सुनने में माहिर हो सकता है, जबकि दूसरा ड्रम (systolic pressure) में अच्छा हो सकता है।
  • शोधकर्ताओं ने एक "कंडक्टर" (अटेंशन मैकेनिज्म) बनाया जो चारों संगीतकारों को सुनता है और तय करता है कि प्रत्येक को कितना सुनना है।
  • परिणाम: पूरा बैंड (चारों लाइटें) अकेले एक संगीतकार के बजाने की तुलना में बहुत बेहतर संगीत (अधिक सटीक भविष्यवाणियां) बजाता है।

4. स्कोरकार्ड

जब उन्होंने इस सिस्टम का एक सख्त, बिना धोखाधड़ी वाले टेस्ट पर परीक्षण किया:

  • सिस्टोलिक (ऊपरी संख्या): रोबोट औसतन 14.2 mmHg से गलत था।
  • डायस्टोलिक (निचली संख्या): रोबोट औसतन 6.4 mmHg से गलत था।
  • तुलना: यह उन तरीकों से बेहतर था जिन्होंने "स्कूल करिकुलम" या "पहचान चोर" वाली ट्रिक का उपयोग नहीं किया था।

सारांश

शोध पत्र का दावा है कि चार रंगों की रोशनी का उपयोग करके, AI को चरण-दर-चरण सिखाकर (सरल से कठिन तक), और उसे व्यक्ति की पहचान भूलने के लिए मजबूर करके (ताकि वह सार्वभौमिक नियम सीख सके), उन्होंने एक ऐसा ब्लड प्रेशर एस्टिमेटर बनाया है जो पिछले प्रयासों की तुलना में अधिक सटीक और निष्पक्ष है। उन्होंने साबित किया कि यह तरीका पुराने तरीकों से बेहतर काम करता है जो कम रोशनी का उपयोग करते थे या प्रशिक्षण के दौरान AI को धोखाधड़ी करने देते थे।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें ⚡ eess →