BP-Net：基于光电容积描记图的高效连续动脉血压估计深度学习模型
机器学习
2021-11-30 v1 信号处理
摘要
血压（BP）是心血管疾病和中风最具影响的生物标志物之一；因此，需要定期监测以诊断和预防任何医疗并发症的发生。当前连续血压监测的无袖带方法虽然无创且不妨碍用户，但涉及围绕指尖光电容积描记图（PPG）信号的显式特征工程。为此，我们提出一种端到端深度学习方案 BP-Net，其利用 PPG 波形通过中间连续动脉血压（ABP）波形来估计收缩期血压（SBP）、平均动脉压（MAP）和舒张期血压（DBP）。根据英国高血压学会（BHS）标准，BP-Net 在 DBP 和 MAP 估计上达到 A 级，在 SBP 估计上达到 B 级。BP-Net 还满足美国医疗器械促进协会（AAMI）对 DBP 和 MAP 估计的标准，且 SBP 和 DBP 的平均绝对误差（MAE）分别为 5.16 mmHg 和 2.89 mmHg。此外，我们在 Raspberry Pi 4 设备上部署 BP-Net，证明了该方法的普适潜力，模型将 PPG 波形转换为 ABP 波形的推理时间为 4.25 ms。
引用
@article{arxiv.2111.14558,
title = {BP-Net: Efficient Deep Learning for Continuous Arterial Blood Pressure Estimation using Photoplethysmogram},
author = {Rishi Vardhan K and Vedanth S and Poojah G and Abhishek K and Nitish Kumar M and Vineeth Vijayaraghavan},
journal= {arXiv preprint arXiv:2111.14558},
year = {2021}
}
备注
6 pages, 2 figures, Accepted at 20th IEEE International Conference on Machine Learning and Applications (ICMLA) 2021