用于光电容积脉搏波描记数据的深度学习方法的范围综述
人工智能
2026-05-06 v3 机器学习
信号处理
摘要
背景：光电容积脉搏波描记（PPG）是一种广泛用于捕获血流动力学信息的非侵入式光学传感技术，已大量部署于临床监测系统和可穿戴设备中。近年来，深度学习的整合显著推进了 PPG 信号分析，并扩展了其在医疗和非医疗领域的应用。方法：我们使用 Google Scholar、PubMed 和 Dimensions，对 2017 年 1 月 1 日至 2025 年 12 月 31 日期间发表的将深度学习应用于 PPG 数据的研究进行了全面的文献检索。所纳入的研究从任务、模型和数据三个关键视角进行了分析。结果：共纳入了 460 篇将深度学习技术应用于 PPG 信号分析的论文。这些研究涵盖了广泛的应用领域，从传统生理监测任务（如心血管评估）到新兴应用（包括睡眠分析、跨模态信号重建和生物特征识别）。结论：深度学习通过实现更有效的生理信息提取，显著推进了 PPG 信号分析。与依赖手工特征的传统机器学习方法相比，深度学习方法通常能获得更好的性能，并在模型开发中提供更大的灵活性。然而，仍存在一些挑战，包括大规模高质量数据集的可用性有限、在真实环境中的验证不足，以及对模型可解释性、可扩展性和计算效率的担忧。应对这些挑战并探索新兴研究方向，对于基于深度学习的 PPG 分析的进一步发展至关重要。
引用
@article{arxiv.2401.12783,
title = {A Scoping Review of Deep Learning Methods for Photoplethysmography Data},
author = {Guangkun Nie and Jiabao Zhu and Gongzheng Tang and Deyun Zhang and Shijia Geng and Qinghao Zhao and Shenda Hong},
journal= {arXiv preprint arXiv:2401.12783},
year = {2026}
}