PITN：用于无袖带血压估计的物理信息时序网络
机器学习
2024-12-04 v2 人工智能
信号处理
摘要
利用非侵入式传感器监测血压已因其舒适的用户体验而广受欢迎，这是智能可穿戴设备的重要功能之一。尽管提供了舒适的用户体验，此类方法仍需要大量真实数据来为每个受试者训练个体模型，尤其是考虑到侵入性或干扰性的血压真值测量。为应对这一挑战，我们提出了一种结合对抗对比学习的新型物理信息时序网络（PITN），能够在数据极为有限的情况下实现精确的血压估计。具体而言，我们首先通过时间模块增强物理信息神经网络（PINN），用于研究血压动力学的多周期性和时间变化，以建模个人心血管周期。然后，我们采用对抗训练生成额外的生理时间序列数据，提高PITN在受试者特定训练数据稀疏情况下的鲁棒性。此外，我们利用对比学习来捕捉心血管生理现象的判别性差异。该方法在潜在空间中将具有相似血压值的生理信号聚合，同时分离血压值不同的样本簇。在三个广泛采用的不同模态（即生物阻抗、PPG、毫米波）数据集上的实验证明了所提出方法相对于先前最先进方法的优越性和有效性。代码可在 https://github.com/Zest86/ACL-PITN 获取。
引用
@article{arxiv.2408.08488,
title = {PITN: Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation},
author = {Rui Wang and Mengshi Qi and Yingxia Shao and Anfu Zhou and Huadong Ma},
journal= {arXiv preprint arXiv:2408.08488},
year = {2024}
}
备注
12 pages, 6 figures