基于机器学习模型利用光电容积描记信号无创估算呼吸率的新方法
机器学习
2021-02-19 v1
摘要
哮喘、慢性阻塞性肺疾病(COPD)、肺炎和肺癌等呼吸系统疾病危及生命。呼吸率(RR)是患者健康状况的重要指标。持续监测RR可提供早期预警从而挽救生命。然而，由于设备体积与成本原因，实时连续RR监测设施仅见于重症监护病房(ICU)。近期研究提出利用光电容积描记(PPG)和/或心电图(ECG)信号估算RR，但ECG因可穿戴设备中难以获取而应用受限。随着内置PPG传感器的可穿戴智能手表出现，其正被考虑用于RR的连续监测。本文描述了一种利用机器学习(ML)模型与PPG信号特征估算RR的新方法。采用特征选择算法以降低计算复杂度和过拟合风险。对最佳ML模型与最佳特征选择算法组合进行微调，通过超参数优化提升性能。采用fitrgp特征选择算法的高斯过程回归(GPR)优于其他所有组合，其均方根误差(RMSE)、平均绝对误差(MAE)和两倍标准差(2SD)分别为2.57、1.91和5.13次/分钟。该基于ML模型的RR估算可嵌入可穿戴设备，实现患者实时连续监测。
引用
@article{arxiv.2102.09483,
title = {A Novel Non-Invasive Estimation of Respiration Rate from Photoplethysmograph Signal Using Machine Learning Model},
author = {Md Nazmul Islam Shuzan and Moajjem Hossain Chowdhury and Muhammad E. H. Chowdhury and M. Monir Uddin and Amith Khandakar and Zaid B. Mahbub and Naveed Nawaz},
journal= {arXiv preprint arXiv:2102.09483},
year = {2021}
}
备注
Under review in CMPB