基于表示学习与生物特征识别的 PPG 数据个性化异常检测
机器学习
2023-07-14 v1 信号处理
摘要
光电容积描记(PPG)信号通常采集自可穿戴设备,在连续健身与健康监测方面具有显著潜力。特别是,表现为罕见且细微异常心律模式的心脏状况可能值得关注。然而,由于标注数据稀缺以及受试者间高度变异性,在这些数据中实现稳健可靠的异常检测仍具挑战。本文提出一种两阶段框架,利用表示学习与个性化来提升 PPG 数据中的异常检测性能。该框架首先采用表示学习将原始 PPG 信号转换为更具判别性且更紧凑的表示。随后,我们应用三种不同的无监督异常检测方法进行运动检测与生物特征识别。我们在两个不同数据集上于通用与个性化两种场景下验证所提方法。结果表明,表示学习在降低受试者间高度变异性的同时显著提升了异常检测性能。个性化模型进一步增强了异常检测性能,凸显了个性化在基于 PPG 的健身健康监测系统中的作用。生物特征识别结果显示,区分新用户与某一指定授权用户比将其与一组用户区分更为容易。总体而言,本研究证明了表示学习与个性化用于 PPG 数据异常检测的有效性。
引用
@article{arxiv.2307.06380,
title = {Personalized Anomaly Detection in PPG Data using Representation Learning and Biometric Identification},
author = {Ramin Ghorbani and Marcel J. T. Reinders and David M. J. Tax},
journal= {arXiv preprint arXiv:2307.06380},
year = {2023}
}