基于 PPG 的心率估计：高效传感器采样与学习模型
机器学习
2023-03-27 v1 人工智能
摘要
近期研究表明，嵌入式可穿戴设备中的光电容积描记（PPG）传感器可高精度估计心率（HR）。然而，尽管有前期研究，将基于 PPG 传感器的心率估计应用于嵌入式设备仍面临挑战，原因在于高能耗的高频 PPG 采样和资源密集的机器学习模型。本工作中，我们旨在探索更适合低功耗和资源受限嵌入式设备的心率估计技术。具体而言，我们寻求以低频 PPG 采样、小模型尺寸和快速推理时间提供高精度心率估计的设计。首先，我们展示通过结合信号处理与机器学习（ML），可在将 PPG 采样频率从 125 Hz 降至仅 25 Hz 的同时提供更高心率估计精度。该组合还有助于减小 ML 模型特征尺寸，从而得到更小模型。此外，我们对不同 ML 模型和特征尺寸进行全面分析，比较其精度、模型尺寸和推理时间。所探索模型包括决策树（DT）、随机森林（RF）、K 近邻（KNN）、支持向量机（SVM）和多层感知机（MLP）。实验使用广泛采用的数据集与自行采集的数据集进行。实验结果显示，结合信号处理与 ML 的方法利用低频 PPG 数据仅产生 5% 心率估计误差。此外，分析表明 10 至 20 个输入特征的 DT 模型通常精度良好，且模型尺寸小数个数量级、推理更快。
引用
@article{arxiv.2303.13636,
title = {PPG-based Heart Rate Estimation with Efficient Sensor Sampling and Learning Models},
author = {Yuntong Zhang and Jingye Xu and Mimi Xie and Wei Wang and Keying Ye and Jing Wang and Dakai Zhu},
journal= {arXiv preprint arXiv:2303.13636},
year = {2023}
}