INN-PAR：用于PPG到ABP重建的可逆神经网络
机器学习
2025-03-18 v2 人机交互
摘要
无创、连续的血压（BP）监测对于许多心血管疾病的早期预防至关重要。从光电容积脉搏波（PPG）重建动脉血压（ABP）已成为一种有前景的解决方案。然而，现有的用于PPG到ABP重建（PAR）的深度学习方法会遇到信息丢失的问题，影响重建信号的质量。为克服此局限，我们提出了一种用于PPG到ABP重建的可逆神经网络（INN-PAR），它采用一系列可逆模块，联合学习PPG及其梯度与ABP及其梯度之间的映射。INN-PAR同时捕获正向和逆向映射，从而防止信息丢失。通过将信号梯度纳入学习过程，INN-PAR增强了网络捕捉高频细节的能力，从而实现更精确的信号重建。此外，我们在可逆模块内提出了一种多尺度卷积模块（MSCM），使模型能够有效地学习多尺度特征。我们在两个基准数据集上进行了实验，结果表明INN-PAR在波形重建和血压测量精度方面均显著优于现有最先进方法。代码可在 https://github.com/soumitra1992/INNPAR-PPG2ABP 获取。
关键词
引用
@article{arxiv.2409.09021,
title = {INN-PAR: Invertible Neural Network for PPG to ABP Reconstruction},
author = {Soumitra Kundu and Gargi Panda and Saumik Bhattacharya and Aurobinda Routray and Rajlakshmi Guha},
journal= {arXiv preprint arXiv:2409.09021},
year = {2025}
}
备注
ICASSP 2025