Apr, 2024

探索利用光电容抗信号估计血压的局限性

PDF
TL;DR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。
hypertensionblood pressure monitoringphotoplethysmographycalibration-based siamese resnet modelsignal filtering
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 利用面部视频估计心率和血压的相移远程光电测量

    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

  • 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

  • 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

    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

  • 基于光电容积脉搏信号的高维表示的高血压检测

    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

  • 佩戴设备用于心血管生物标记监测的光电测量信号质量评估

    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

  • 使用 Transformer 和频域学习从单站 PPG 合成无袖动脉血压波形

    我们提出了两个新颖的用于无袖式人体血压波形合成的深度学习模型，采用单点光电容式血流容积脉搏图信号。我们利用公共 UCI 数据集对我们的深度学习模型进行训练和评估。首先，我们实现了一个 transformer 模型，它包括位置编码、多头注意力、层归一化和 dropout 技术，并以平均绝对误差为 14 进行 ABP 波形合成。其次，我们实现了一种频域学习方法，它首先获取 PPG 和 ABP 信号对应于两个心脏周期的离散余弦变换系数，然后学习它们之间的线性 / 非线性回归关系。我们发现，频域线性 / 非线性回归模型的 MAE 分别达到了 11.87 和 8.01，优于 transformer 模型。我们的频域线性 / 非线性回归模型还满足了使用超过 85 个受试者数据的 AAMI 准则，并且根据 BHS 准则达到了 B 级。

    Jan, 2024