基于光电容积脉搏信号的高维表示的高血压检测
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
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
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
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
本研究介绍了一种基于图论和计算机视觉算法的 PPG 信号处理框架,它对仿射变换具有不变性,计算速度快,并在任务和数据集之间表现出强大的泛化能力,能够提取人体循环系统的各种生物特征。
May, 2023
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
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