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

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

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

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

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