通过低采样率 PPG 上的迁移学习实现 SpO2 估计对可穿戴设备的快速适配
信号处理
2026-01-12 v1 机器学习
摘要
血氧饱和度（SpO2）是医疗保健监测的重要标志物。传统的 SpO2 估计方法通常依赖于复杂的临床校准，使其不适用于低功耗的可穿戴应用。在本文中，我们提出了一种基于迁移学习的框架，利用低采样率（25Hz）双通道光电容积脉搏波描记法（PPG）将 SpO2 估计快速适配到节能型可穿戴设备。我们首先在公共临床数据集上预训练一个带有自注意力的双向长短期记忆（BiLSTM）模型，然后使用从我们的可穿戴 We-Be 腕带和经 FDA 批准的参考脉搏血氧仪收集的数据对其进行微调。实验结果表明，我们的方法在公共数据集上达到了 2.967% 的平均绝对误差（MAE），在私有数据集上达到了 2.624% 的 MAE，显著优于传统校准和非迁移机器学习基线。此外，与 100Hz 相比，使用 25Hz PPG 在排除基准功耗的情况下降低了 40% 的功耗。我们的方法在瞬时 SpO2 预测中也达到了 3.284% 的 MAE，有效捕捉了快速波动。这些结果证明了在无需临床校准的情况下，可穿戴设备上精确、低功耗 SpO2 监测的快速适配。
引用
@article{arxiv.2509.12515,
title = {Rapid Adaptation of SpO2 Estimation to Wearable Devices via Transfer Learning on Low-Sampling-Rate PPG},
author = {Zequan Liang and Ruoyu Zhang and Wei Shao and krishna Karthik and Ehsan Kourkchi and Setareh Rafatirad and Houman Homayoun},
journal= {arXiv preprint arXiv:2509.12515},
year = {2026}
}
备注
In the proceedings of IEEE-EMBS International Conference on Body Sensor Networks 2025