利用最小训练域对抗神经网络从可穿戴传感器数据开发个性化血压估计模型
机器学习
2020-07-29 v1 人机交互
摘要
血压监测是高血压管理及预测相关合并症的重要组成部分。血压是一种动态生命体征，在一天中频繁变化。远程且频繁地捕获血压（也称为动态血压监测）传统上是通过使用充气袖带以离散间隔测量血压来实现的。然而，人们对开发无袖带动态血压监测系统以连续测量血压的兴趣日益增长。其中一种方法是利用生物阻抗传感器构建回归模型。该方法的一个实际问题是，可靠地训练这样一个回归模型所需的数据量可能令人望而却步。在本文中，我们提出将域对抗训练神经网络（DANN）方法应用于我们的多任务学习（MTL）血压估计模型，从而实现受试者间的知识迁移。我们提出的模型在使用三分钟训练数据时，舒张压的平均均方根误差（RMSE）为 mmHg，收缩压为 mmHg；使用四分钟训练数据时，分别为 mmHg 和 mmHg；使用五分钟训练数据时，分别为 mmHg 和 mmHg。与直接训练和使用来自另一受试者的预训练模型进行训练相比，DANN 在最小数据量下改善了训练效果，与最佳基线模型相比，舒张压 RMSE 降低了 至 mmHg，收缩压 RMSE 降低了 至 mmHg。我们观察到，四分钟的训练数据是我们的框架在该患者队列中超过 ISO 标准的最低要求。
引用
@article{arxiv.2007.12802,
title = {Developing Personalized Models of Blood Pressure Estimation from Wearable Sensors Data Using Minimally-trained Domain Adversarial Neural Networks},
author = {Lida Zhang and Nathan C. Hurley and Bassem Ibrahim and Erica Spatz and Harlan M. Krumholz and Roozbeh Jafari and Bobak J. Mortazavi},
journal= {arXiv preprint arXiv:2007.12802},
year = {2020}
}
备注
Published at MLHC 2020