从手指PPG转移学习到耳内PPG的可行性

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 在可穿戴健康领域的深度学习需要大量的数据,限制了像耳内可穿戴设备这样的新型传感器应用.
• 摄影电流图 (PPG) 是可穿戴健康监测的关键生物信号.
• 数据稀缺是开发新PPG地点人工智能模型的一个主要挑战.

研究的目的:

• 评估将学习从手指PPG转移到耳内PPG以进行基于深度学习的呼吸监测的可行性.
• 开发和评估一个编码器-解码器框架,用于从PPG信号中提取呼吸道波形.
• 提高呼吸监测模型的通用性,使用有限的耳内PPG数据.

主要方法:

• 实施了一个编码器-解码器深度学习框架,从PPG中提取呼吸道波形.
• 在训练中,同时记录金标准的呼吸数据 (头像学,阻抗肺学,空气流) 被用于训练.
• 转移学习策略包括对大指PPG数据集的初始培训,然后对一个小的耳内PPG数据集进行微调.
• 在培训管道中应用了数据增强技术.

主要成果:

• 在指 PPG 训练后对耳内 PPG 微调的模型表现出较低和更一致的测试错误.
• 使用转移学习的表现超过了仅在有限的耳内PPG数据上训练的模型.
• 该方法在各种呼吸速率上显示出更好的概括性.

结论:

• 从手指PPG转移学习到耳内PPG是可行的,对基于深度学习的呼吸监测是有益的.
• 这种方法有效地减轻了新型可穿戴传感器位置的深度学习模型的数据饥饿性.
• 这些发现支持开发强大的耳内可穿戴呼吸监测系统.