RespNet：一种从光电容积描记图提取呼吸信号的深度学习模型
信号处理
2019-02-21 v2 计算机视觉与模式识别
机器学习
摘要
呼吸系统疾病困扰着广泛人群，并表现为哮喘和睡眠呼吸暂停等病症。由于监测系统体积大、成本高，对慢性呼吸系统疾病的持续监测很少在重症监护病房以外使用。尽管基于心电图（ECG）的呼吸提取是经验证的方法，但其应用受限于能否获得合适的连续 ECG 监测仪。近来，由于内置光电容积描记图（PPG）传感器的可穿戴智能手表广泛普及，其正被视为连续且无干扰呼吸监测的可行候选。然而，该领域研究主要集中于从 PPG 估计呼吸率。本工作中，提出一种称为 RespNet 的新型端到端深度学习网络，用于从给定输入 PPG 中提取呼吸信号，而非提取呼吸率。所提网络在两个不同数据集上训练与测试，利用了不同模态的参考呼吸信号记录。此外，研究了所提网络与两种常规信号处理呼吸提取方法的相似性与性能。所提方法在两个独立数据集上测试，均方误差分别为 0.262 和 0.145，相应数据集的互相关系数分别为 0.933 和 0.931。所报告误差与相似性优于常规方法。所提方法有助于临床医生在患者舒适且低成本的情况下对睡眠相关呼吸疾病与慢性呼吸系统疾病提供综合评估。
引用
@article{arxiv.1902.04236,
title = {RespNet: A deep learning model for extraction of respiration from photoplethysmogram},
author = {Vignesh Ravichandran and Balamurali Murugesan and Vaishali Balakarthikeyan and Sharath M Shankaranarayana and Keerthi Ram and Preejith S. P and Jayaraj Joseph and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:1902.04236},
year = {2019}
}
备注
Under review at EMBC