使用动脉血容量测度检测无校准深度学习模型的实时血压变化
信号处理
2024-07-04 v1
摘要
血压 (BP) 变化与临床和非临床环境中的个体健康状态相关。本研究开发了深度学习模型，用于对收缩压 (SBP)、舒张压 (DBP) 和平均压 (MBP) 的血压变化进行分类。使用来自 Vital Signs Database (VitalDB) 的数据，其中包含 1005 名 ICU 患者，同步记录了动脉血容量测度 (PPG) 和血压。将血压变化分为三个标签：尖峰（超过阈值的增加）、稳定（在正负阈值范围内的变化）和下降（低于阈值的减少）。研究了四种时间序列分类模型：多层感知器、卷积神经网络、残差网络和 Encoder。随机选择 500 名患者用于训练和验证，确保各血压变化标签分布均匀。编译了两个测试数据集：Test-I（n=500）采用均匀分布选择 process，Test-II（n=5）不采用。本研究还探讨了包括第二偏差 PPG (sdPPG) 波形作为额外输入信息的影响。使用 PPG 和 sdPPG 波形的带 Softmax 加权处理的 Encoder 模型取得最高检测准确率——分别在 Test-I 和 Test-II 中的准确率分别超过 71.3% 和 85.4%，其中 SBP 的阈值为 30 mmHg，DBP 的阈值为 15 mmHg，MBP 的阈值为 20 mmHg。相应的 F1 分数分别超过 71.8% 和 88.5%。这些发现确认了 PPG 波形对于 ICU 环境中实时监测血压变化具有有效性，并提示其更广泛应用的潜力。
引用
@article{arxiv.2407.03274,
title = {Using Photoplethysmography to Detect Real-time Blood Pressure Changes with a Calibration-free Deep Learning Model},
author = {Jingyuan Hong and Manasi Nandi and Weiwei Jin and Jordi Alastruey},
journal= {arXiv preprint arXiv:2407.03274},
year = {2024}
}
备注
8 pages, 5 figures, 7 tables, 1 supplementary material