CVPRApr, 2021

基于深度学习的基于 PPG 和 rPPG 信号的血压预测评估

PDF
TL;DR利用光电脉搏（PPG）信号来非侵入性地测量血压很有趣，尤其是通过基于机器学习技术的神经网络和个性化技术提高预测性能。
photoplethysmographyblood pressuremachine learningneural networkspersonalization
发现论文，激发创造
  • 回归还是分类？基于深度神经网络的 PPG 数据 BP 预测在实际应用中的思考

    本文比较了基于 Photoplethysmographic 信号的血压回归和分类方法，认为在某些场景下，血压分类方法可能比血压回归方法更可取。作者使用公开的 PPG 数据进行一系列分类和回归模型的比较，发现分类模型在个性化后的准确度优于回归方法，因此在某些足够粗略的 BP 范围分割场景下，可以采用 BP 分类方法。

    Apr, 2022

  • 光电容积脉搏波数据的深度学习方法综述

    近年来，深度学习模型在处理光电容积脉搏图数据方面取得了显著进展，其中医疗相关和非医疗相关任务是主要研究领域。

    Jan, 2024

  • 用不同身体部位的视频和目标进行训练的 rPPG 模型有多次优？

    远程摄像测量血容量脉搏通过光容积脉搏图（rPPG）是一种可伸缩、低成本、易于获取心血管信息的引人注目的技术。我们使用最新发布的同步接触式 PPG 和面部视频测量的独特数据集，对训练面部视频 rPPG 模型时是否使用来自身体其他部位的接触式测量数据进行优化进行了精确和定量的研究，结果显示，使用额头 PPG 信号相较于手指 PPG 信号，可以获得高达 40% 的均方误差降低，模型更好地学习了地面真实 PPG 信号的形态。然而，从手指 PPG 训练的模型仍然能很好地学习到主导频率（即心率）的特征。

    Mar, 2024

  • 使用深度学习模型的 PPG 信号进行高血压诊断的新方法

    这篇研究论文提出了使用 Photoplethysmography（PPG）信号和深度学习模型（AvgPool_VGG-16）对高血压病的不同阶段进行分类的新方法，结果表明该方法在分类高血压阶段方面具有高准确度，展示了 PPG 信号和深度学习模型在高血压诊断和管理方面的潜力。

    Apr, 2023

  • PPG2ABP：使用完全卷积神经网络将光电波图（PPG）信号转换为动脉血压 (ABP) 波形

    通过使用无创的 PPG 信号，结合深度学习技术，本文提出了一种预测连续动脉血压波形的方法 PPG2ABP，该方法在形态、幅度和相位上都有很好的预测效果，并且在 DBP、MAP 和 SBP 等参数的计算上表现出色。

    May, 2020

  • 探索利用光电容抗信号估计血压的局限性

    我们开发了一个基于校准的 Siamese ResNet 模型，使用与参考血压读数配对的信号输入来估计血压。我们将归一化 PPG（N-PPG）与归一化侵入性动脉血压（N-IABP）信号作为输入进行比较。使用 VitalDB 数据集评估了我们的方法，结果显示 N-IABP 信号在 AAMI 标准下满足收缩压和舒张压的要求，而 N-PPG 信号则表现出较差的性能。我们的发现显示了使用 PPG 估计血压的潜力和限制。

    Apr, 2024

  • 视频中生理信号的非对比非监督学习

    应用无监督深度学习方法，可以从非标记视频中准确提取血容量脉动等生理周期信号，进而实现远程监控和多种生理测量，无需地面真实信号。

    Mar, 2023

  • 血压估算的挑战：通过脉搏波分析探究

    探讨使用 PPG 脉搏波分析技术预测血压的可行性，提出了新的评估工具，发现血压预测使用 PPG 多值映射因子为 33.2％，低互信息为 9.8％，这些结果提供了达成通过 PPG 脉搏波分析实现可穿戴式血压测量目标的更为现实的进展情况。

    Apr, 2023

  • BP-Net：使用光谱图连续估计动脉血压的高效深度学习

    该研究提出了一个端到端基于深度学习的方案，使用图像采集的 PPG 波形来实时监测血压，该方法达到了良好的测量效果并部署在了一个树莓派设备上。

    Nov, 2021

  • 基于卷积神经网络的远程 PPG 分析：限制和敏感性研究

    本文探讨了基于卷积神经网络（CNN）的心率监测中，参考信号的选择以及卷积核的多样性等因素对性能的影响，结果说明 CNN 基于血吸收变化提取了生理信号，同时证明了 PPG 相关先验知识有助于提高其性能，因此，建议今后将先验知识纳入混合 CNN 方法中进行研究。

    Nov, 2019