通过光电式容积脉搏图对心血管系统状况进行分析已经成为一种常见且高效的方法，本文提出了一种新的方法论，基于这种方法可以将光电式容积脉搏图转换为心电图，通过计算机模型进行心血管疾病的更准确分类。

May, 2024

通过提出新的 SiamAF 方法，该方法使用新颖的孪生网络结构和联合学习损失函数，能够从 PPG 和 ECG 信号中学习共享信息，并在预测房颤方面胜过基线方法，且较传统学习方法需要更少的训练标签。

Oct, 2023

该研究提出了一种名为 CardioGAN 的对抗生成网络，通过接收 PPG 信号为输入，生成 ECG 信号为输出，旨在解决智能手表等可穿戴设备中连续和可靠心脏监测方案的问题。该模型通过利用注意力机制生成器来学习局部显著特征，并采用双重判别器来保持所生成数据在时间和频域内的完整性，实验结果表明，由 CardioGAN 生成的 ECG 提供了比输入 PPG 更可靠的心率测量数据。

Sep, 2020

使用生成对抗网络 (GANs) 从配对的 PPG 信号中合成 ECG 信号成功，其中心率可通过标准信号处理流程进行提取，通过在模型训练中加入频域约束可以提高模型性能的稳定性和心率估计的性能。

May, 2024

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

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

提出了一种新颖的深度学习模型 Signal Quality Weighted Fusion of Attentional Convolution and Recurrent Neural Network (SQUWA)，通过使用注意机制动态调整时间序列片段的权重，实现对部分有损坏的 PPG 信号的准确预测，从而改善对 AF 风险的监测和对 AF 负荷的更准确估计。实验证明，SQUWA 在减轻标签噪声的情况下达到了最高的 AUCPR 值 0.89，超过了同时使用心电图（ECG）和 PPG 数据训练的模型的 0.86 AUCPR 值。

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

本文提出了一种使用卷积 - 循环神经网络和长短期记忆的架构来实时处理和分类数字传感器数据，其中使用穿戴式设备采集的 PPG 数据进行了 AFib 检测，结果表明该架构具有良好的准确性。

Jul, 2018

我们提出一种基于对比学习的深度学习框架，用于使用生理信号进行患者相似性搜索。我们使用对比学习的方法来学习具有相似生理信号数据的患者的相似嵌入。我们还引入了一些邻居选择算法来确定具有最高相似性的患者。为了验证我们的框架对于衡量患者相似性的有效性，我们选择使用智能手表设备获取的光电容积脉搏图（PPG）信号来检测心房颤动（AF）作为我们的案例研究。我们对超过 170 人的数据集对我们的框架进行了大量实验证明，并将我们的框架与该数据集上的其他基线方法进行了比较。

Jul, 2023