CVPRApr, 2022

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

PDF
TL;DR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。
发现论文，激发创造
  • 基于深度学习的基于 PPG 和 rPPG 信号的血压预测评估

    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。

    Apr, 2021

  • 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

  • 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

  • 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

  • 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

  • 用于高血压程度的光电容积脉搏图信号深度学习分类

    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

  • 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

  • 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

  • 基于机器学习的光电容积脉搏信号特征用于糖尿病检测

    使用非侵入式的光学光容积描记术（PPG）结合机器学习方法，通过对患者的 PPG 信号和元数据进行训练和分类，成功地开发了一种远程、非侵入式和连续测量的糖尿病检测装置。

    Aug, 2023

  • 基于 PPG 数据的深度不平衡回归估计血管年龄：一种用于心血管健康的新颖数字生物标记

    通过深度学习评估血管衰老表现的 Photoplethysmography (PPG) 成为监测人体血液动力学的关键工具，本文在实证研究中介绍了名为 Dist Loss 的新型简单有效的损失函数，以解决深度不平衡回归任务的挑战，并在大规模的 UK 生物银行数据集上训练了一维卷积神经网络（Net1D），使用 PPG 信号估计血管年龄，验证了其在刻画心血管健康方面的功效，结果表明预测的血管年龄能够显著反映个体的心血管健康状况。

    Jun, 2024