利用智能手机摄像头监测自身水合水平

本工作首次提出利用普通智能手机——一种流行的辅助设备——设计一种新颖的非侵入式方法，用于在1到4的尺度上自我监测水合水平。所提出的方法包括使用智能手机摄像头录制指尖的短视频。随后，从视频数据中提取光电容积描记（PPG）信号，捕捉外周血容量的波动，以反映人体水合水平随时间的变化。为了训练和评估人工智能模型，我们通过收集2023年斋月期间25名禁食受试者的视频-PPG数据，构建了一个自定义的多会话标记数据集。由此，我们解决了两个不同的问题：1）二分类（一个人是否脱水），2）四分类（一个人是完全水合、轻度脱水、中度脱水还是极度脱水）。对于这两个分类问题，我们将预处理和增强后的PPG数据输入到多种机器学习、深度学习及Transformer模型中，这些模型提供了非常高的准确率，即在95%到99%的范围内。我们还提出了一种替代方法，将高维PPG时间序列数据输入深度学习模型进行特征提取，然后使用t-SNE方法进行特征选择和降维，最后使用多个机器学习分类器进行脱水水平分类。最终，我们在基于SHAP的可解释人工智能框架下，对所开发的深度学习模型的决策进行了解释。所提出的方法允许快速、自助式、家庭化的水合水平检测，具有成本效益，因此符合联合国可持续发展目标3和10，并且是迈向以患者为中心的医疗系统、智能家居和未来智慧城市的一步。