利用机器学习技术从光电容积脉搏波信号与人口统计学特征估算血压
信号处理
2020-06-04 v1 机器学习
摘要
高血压是一种潜在不安全健康问题，可直接由血压（BP）指示。高血压常导致其他健康并发症。持续监测血压非常重要；然而，基于袖带的血压测量是离散的且令用户不适。为满足该需求，本文提出一种无袖带、连续且非侵入式的血压测量系统，利用光电容积脉搏波（PPG）信号与人口统计学特征及机器学习（ML）算法。PPG 信号采集自 219 名受试者，经过预处理与特征提取步骤。从 PPG 及其导数信号中提取时域、频域和时频域特征。采用特征选择技术以降低计算复杂度并减少 ML 算法过拟合的可能。随后使用这些特征训练与评估 ML 算法。分别为收缩期血压（SBP）和舒张期血压（DBP）估算选出最佳回归模型。高斯过程回归（GPR）结合 ReliefF 特征选择算法在估算 SBP 和 DBP 上优于其他算法，均方根误差（RMSE）分别为 6.74 和 3.59。该 ML 模型可部署于硬件系统以持续监测血压，并避免因突发变化导致的危急健康状况。
引用
@article{arxiv.2005.03357,
title = {Estimating Blood Pressure from Photoplethysmogram Signal and Demographic Features using Machine Learning Techniques},
author = {Moajjem Hossain Chowdhury and Md Nazmul Islam Shuzan and Muhammad E. H. Chowdhury and Zaid B Mahbub and M. Monir Uddin and Amith Khandakar and Mamun Bin Ibne Reaz},
journal= {arXiv preprint arXiv:2005.03357},
year = {2020}
}
备注
Accepted for publication in Sensor, 14 Figures, 14 Tables