BP-Net：基于通用深度卷积架构的无袖带、免校准、非侵入式血压估计
机器学习
2022-01-03 v1 信号处理
摘要
目的：本文致力于开发用于连续、无袖带血压（BP）监测的鲁棒且精确的处理方案。为此，提出了一种基于深度学习的鲁棒框架，用于计算收缩期和舒张期血压的低延迟、连续且免校准的上下界。方法：所提出的框架称为 BP-Net，是一种新颖的卷积架构，由于引入了因果膨胀卷积与残差连接，在提供更长效有效记忆的同时实现了更优性能。为充分利用深度学习提取内在特征（深度特征）的潜力并增强长期鲁棒性，BP-Net 直接使用原始心电图（ECG）与光电容积描记图（PPG）信号，而不像现有方案那样提取任何手工特征。结果：鉴于近期文献中使用的数据集未统一且定义不清，我们从 PhysioNet 获取的 MIMIC-I 与 MIMIC-III 数据库构建了一个基准数据集。所提出的 BP-Net 基于该基准数据集进行评估，展现出良好性能与优越的泛化能力。结论：所提出的 BP-Net 架构比标准循环网络更精确，并增强了血压估计任务的长期鲁棒性。意义：所提出的 BP-Net 架构解决了现有血压估计方案的关键缺陷，即严重依赖提取脉冲到达时间（PAT）等手工特征，以及缺乏鲁棒性。最后，所构建的 BP-Net 数据集为基于深度学习的血压估计算法的评估与比较提供了统一基础。
引用
@article{arxiv.2112.15271,
title = {BP-Net: Cuff-less, Calibration-free, and Non-invasive Blood Pressure Estimation via a Generic Deep Convolutional Architecture},
author = {Soheil Zabihi and Elahe Rahimian and Fatemeh Marefat and Amir Asif and Pedram Mohseni and Arash Mohammadi},
journal= {arXiv preprint arXiv:2112.15271},
year = {2022}
}