BP-Net:使用光谱图连续估计动脉血压的高效深度学习
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
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
该研究提出了基于物理信息的 DeepONet 方法的新框架来预测动脉血压波形,解决了连续无创测量动脉血压波形的问题,同时采用时间周期条件和 Windkessel 边界条件满足 Navier-Stokes 方程,通过引入元学习的概念来准确估计参数。
Feb, 2024
通过深度学习建立的两阶段视觉远程光电测量网络 (DRP-Net) 和边界血压网络 (BBP-Net) 可估算心率和血压,其中 DRP-Net 用于估算心率,BBP-Net 通过分析不同部位的光电信号的相位差估算收缩压与舒张压。与最近的方法相比,本方法在心率估算上减小了 34.31% 的平均绝对误差 (MAE)。
Jan, 2024
研究提出一种以波形为基础的分层人工神经网络 - 长短期记忆模型用于血压估计,模型自动提取应用典型的 PPG 和 ECG 波形的形态特征并考虑其时间域变化,使血压可在一种非侵入性的连续方式下的可靠估计,预计将极大地促进移动健康护理设备的发展。
Nov, 2018
我们提出了两个新颖的用于无袖式人体血压波形合成的深度学习模型,采用单点光电容式血流容积脉搏图信号。我们利用公共 UCI 数据集对我们的深度学习模型进行训练和评估。首先,我们实现了一个 transformer 模型,它包括位置编码、多头注意力、层归一化和 dropout 技术,并以平均绝对误差为 14 进行 ABP 波形合成。其次,我们实现了一种频域学习方法,它首先获取 PPG 和 ABP 信号对应于两个心脏周期的离散余弦变换系数,然后学习它们之间的线性 / 非线性回归关系。我们发现,频域线性 / 非线性回归模型的 MAE 分别达到了 11.87 和 8.01,优于 transformer 模型。我们的频域线性 / 非线性回归模型还满足了使用超过 85 个受试者数据的 AAMI 准则,并且根据 BHS 准则达到了 B 级。
Jan, 2024
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
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
使用时间频谱技术 (如 STFT) 相结合的神经网络 (如 CNN、LSTM、Bi-LSTM) 以及机器学习分类器 (SVM 和 RF),本研究在超过 200 名血压高的患者 (650 + 信号样本) 的 PPG 信号上进行分类,通过两个分类等级 (以下包括 1 级和 2 级),在 LSTM 和 LSTM-CNN 模型中获得 100% 的精确度和特异度以及 82.1% 的召回率,并利用集成方法实现了不同模型之间的最佳结果。
May, 2024