基于扩散模型的不确定性感知的 PPG - 至 - ECG 技术用于改进心血管诊断
我们提出了一种基于注意力机制的深度状态空间模型，将光电脉搏图信号转化为相应的心电图波形，从而通过连续的光电脉搏图监测来补充心电图的准确性以检测成人中最常见的心律失常，房颤。在 MIMIC III 数据库的 55 个受试者上对该模型进行了评估，定量和定性的实验结果证明了我们方法的有效性和效率。
Sep, 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
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
心血管疾病的高发病率需要具备易获取和经济实用的连续性心脏监测工具。作者通过引入一种新的扩散模型 —— 区域分离扩散模型（RDDM），成功地将光电容积法（PPG）翻译为心电图（ECG）信号，该模型可从 PPG 中在少于 10 个扩散步骤中生成高保真度的 ECG 信号，并在包括心率、血压估计、应激分类以及房颤和糖尿病检测在内的心脏相关任务上取得了最新的研究成果。
Aug, 2023
本文提出了一种新的个性化和可调节的区间二模糊逻辑系统，用于评估 PPG 信号的质量，该系统能够实现超低复杂度和实时的 PPG 质量评估，从而提高边缘上基于 PPG 的健康监测系统的准确性和可靠性。
Sep, 2023
本文提出了一种基于去噪扩散概率模型的心电波形合成方法，此方法可以生成心跳、完成部分信号或进行心跳预测，且其效果较其他同类方法更佳，为心电信号合成提供了一个更为广义的条件方法。
Jun, 2023
提出一种采用学习方法的新型心率估计方法，利用隐马尔可夫模型及神经网络对光电脉搏信号分析后得出概率分布，结合信念传播算法对估计结果进行时间上的统计分析。实验证明该方法具有较高的鲁棒性。
Jun, 2023