基于深度学习的光电容积脉搏波信号高血压水平分类
计算机视觉与模式识别
2024-05-24 v1 多媒体
摘要
基于光电容积脉搏波（PPG）的连续血压监测对于医疗保健和健身应用是必要的。在人工智能（AI）中，利用机器和深度学习排列的信号分类水平需要进一步探索。基于时频谱的技术，如短时傅里叶变换（STFT），已被用于解决运动伪影校正的挑战。因此，本研究使用STFT结合多种神经网络（卷积神经网络（CNN）、长短期记忆网络（LSTM）、双向长短期记忆网络（Bi-LSTM）），随后使用机器学习分类器（如支持向量机（SVM）和随机森林（RF）），对超过200名高血压患者（650多个信号样本）的PPG信号进行处理。分类针对两个类别：高血压前期（正常水平）和高血压（包括I期和II期）。对于神经网络融合，使用批次大小3和16获得了各种性能指标。在精度和特异性为100%、召回率为82.1%的情况下，LSTM模型在所有神经网络组合中提供了最佳结果。然而，最大准确率71.9%由LSTM-CNN模型实现。进一步使用堆叠集成方法，Meta-LSTM-RF、Meta-LSTM-CNN-RF和Meta-STFT-CNN-SVM达到了100%的准确率。
引用
@article{arxiv.2405.14556,
title = {Deep Learning Classification of Photoplethysmogram Signal for Hypertension Levels},
author = {Nida Nasir and Mustafa Sameer and Feras Barneih and Omar Alshaltone and Muneeb Ahmed},
journal= {arXiv preprint arXiv:2405.14556},
year = {2024}
}