通过可解释的机器学习和部光多体成像进行增强的SpO2估计

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 可穿戴技术可穿戴技术

背景情况:

• 基于反射的光聚体图 (PPG) 传感器为血液氧和 (SpO) 监测提供了多功能站点.
• 精度限制源于不同的人类特征和传感器设置,特别是在非标准的测量位置.

研究的目的:

• 开发一种自动化方法,以建立使用基于反射功率的PPG传感器的SpO₂设备的受体包含-排除标准.
• 通过解决受试者和设备设置的变化,提高非标准测量站点的SpO₂估计准确性.

主要方法:

• 使用无监督集群,监督回归和SHAP (夏普利添加式扩展) 进行自动化标准构建.
• 开发了一种基于枕头的可穿戴设备,用于从部动脉 (脑动脉和动脉) 收集反射PPG信号.
• 对33名受试者进行了实验,每个受试者设置了80种不同的传感器设置.

主要成果:

• 提出的方法有效地解决了人类的变性,设备设置和信号对SpO映射异质性.
• 确定了最佳设备设置和适用的受试者群体,并定义了包含-排除标准.
• 与实证和平面估计模型相比,实现了根平均平方误差 (RMSE) 的16%降低.

结论:

• 自动化方法成功地提高了在非标准站点的SPO2估计准确性.
• 该研究证明了SHAP在解释设备校准无监督学习集群方面的实用性.
• 这种方法提高了基于反射率的PPG传感器的可靠性和适用性,用于在不同人群和条件下监测SpO₂.