基于轻量级ResNet的动态光电血氧信号质量评估
信号处理
2025-11-04 v1
摘要
随着深度学习在可穿戴设备中的应用日益增长，轻量级且高效的模型对于解决资源受限平台的计算约束至关重要。这些方法可以通过多种预处理方法进一步提升性能。本研究提出一种基于轻量级ResNet的深度学习框架，集成 Squeeze-and-Excitation (SE) 模块，用于光电血氧 (PPG) 信号质量评估 (SQA)，并比较不同输入配置，包括仅PPG信号、其一阶导数 (FDP)、二阶导数 (SDP)、PPG的自相关 (ATC) 以及上述各通道的 various 组合。在 Moore4Medical (M4M) 和 MIMIC-IV 数据集上的实验评估表明，该模型在 M4M 测试集上达到最高 96.52% 的 AUC，在 MIMIC-IV 数据集上达到最高 84.43% 的 AUC。该研究引入了新构建的 M4M 数据集，用于探索基于PPG的监测技术检测心房颤动 (AF) 及其负荷。与五个已复现的现有研究相比，我们的模型在参数数量上减少超过 99%，在浮点运算次数 (FLOPs) 上减少超过 60%。
引用
@article{arxiv.2511.00943,
title = {Lightweight ResNet-Based Deep Learning for Photoplethysmography Signal Quality Assessment},
author = {Yangyang Zhao and Matti Kaisti and Olli Lahdenoja and Jonas Sandelin and Arman Anzanpour and Joonas Lehto and Joel Nuotio and Jussi Jaakkola and Arto Relander and Tuija Vasankari and Juhani Airaksinen and Tuomas Kiviniemi and Tero Koivisto},
journal= {arXiv preprint arXiv:2511.00943},
year = {2025}
}
备注
Accepted for presentation at IEEE Engineering in Medicine and Biology Conference (EMBC 2025). 7 pages, 3 figures. Author's accepted manuscript (AAM). The final version will appear in IEEE Xplore