通过联邦学习方法从 PPG 估计连续血压
机器学习
2021-02-25 v1 信号处理
摘要
缺血性心脏病是全球每年最高的死亡原因。这不仅给患者的生活带来巨大压力，也给公共医疗系统带来沉重负担。为了了解健康与不健康心脏的动态，医生通常使用心电图(ECG)和血压(BP)读数。这些方法往往颇具侵入性，尤其在获取连续动脉血压(ABP)读数时，更不用说非常昂贵。我们利用机器学习方法试图开发一个仅从单一光学光电容积描记(PPG)传感器推断 ABP 的框架。我们在分布式模型和数据源上训练框架，以模拟可在低成本可穿戴设备上实现的大规模分布式协作学习实验。我们的时间序列到时间序列生成对抗网络(T2TGAN)能够从 PPG 信号高质量生成连续 ABP，在先前未见过的含噪独立数据集上估计平均动脉压时的平均误差为 2.54 mmHg、标准差为 23.7 mmHg。据我们所知，该框架是首个能够从输入 PPG 信号生成连续 ABP 且采用联邦学习方法的 GAN 实例。
引用
@article{arxiv.2102.12245,
title = {Estimation of Continuous Blood Pressure from PPG via a Federated Learning Approach},
author = {Eoin Brophy and Maarten De Vos and Geraldine Boylan and Tomas Ward},
journal= {arXiv preprint arXiv:2102.12245},
year = {2021}
}