血压估算的挑战：通过脉搏波分析探究
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
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
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
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
提出了一种基于随机卷积核的高维表示技术，用于利用 PPG 信号检测高血压，结果表明这种关联不仅限于心率和血压，证明了用于一般化的高血压检测的可行性，并且利用卷积核的转换作为端到端时间序列特征提取器优于先前研究和最先进的深度学习模型。
Jul, 2023
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
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
本研究提取了 27 个统计特征，利用梯度提升（XGBoost 和 CatBoost）以及随机森林（RF）算法训练机器学习模型来评估血容量变化的 PPG 信号质量，在使用可穿戴设备进行连续监测时，考虑了运动伪影、皮肤色素沉着和血管运动等影响 PPG 准确性和可靠性的因素。研究发现，我们的模型在 XGBoost、CatBoost 和 RF 上分别达到了 Sensitivity（Se）、Positive Predicted Value（PPV）和 F1-score（F1）的 94.4、95.6、95.0，94.7、95.9、95.3 和 93.7、91.3、92.5，结果与文献中的最新成果相当，但使用了更简单的模型，证明机器学习模型在开发远程、非侵入性和连续测量设备方面具有很大的潜力。
Jul, 2023