开发一种新型的光敏感PPG模型,使用PPG扫描图和PPG-NET学习来进行非侵入性高血压监测
Amjed Al Fahoum1, Ahmad Al Omari1, Ghadeer Al Omari1
1Biomedical systems and Informatics Engineering Dept., Hijjawi Faculty for Engineering Technology, Yarmouk University, Irbid, 21163, Jordan.
Heliyon
|November 11, 2024
概括
这项研究引入了一种深度学习模型,PPG-NET,该模型准确地将血压阶段从光电位素学 (PPG) 信号中分类. 这一进步为高血压监测和管理提供了一种有前途的非侵入性方法.
科学领域:
- 生物医学工程 生物医学工程
- 心血管健康 心血管健康
- 人工智能在医学中的应用
背景情况:
- 摄影脉冲图 (PPG) 信号提供了一种非侵入性的方法来监测心血管健康和血压水平.
- 准确的血压监测对于早期高血压检测和管理至关重要.
- 目前的非侵入性方法需要提高准确性和效率.
研究的目的:
- 开发和验证深度学习模型,使用PPG信号对血压阶段进行分类.
- 提高非侵入性高血压监测的准确性和效率.
- 探索波段转换和深度学习在心血管健康评估中的潜力.
主要方法:
- 连续波形转换 (CWT) 应用于预处理PPG信号.
- 一个专门的深度学习模型PPG-NET被设计并用于分类.
- 使用五倍交叉验证严格评估模型性能,并与Inception和MobileNetV2.2等预训练模型进行比较.
主要成果:
- 该PPG-NET模型在分类四个血压阶段时实现了100%的准确性:正常,高血压前期,第一阶段和第二阶段的高血压.
- PPG-NET显示了100%的精度,灵敏度和特异性.
- 其他模型的性能各不相同,InceptionV3的准确率达到91.5%.
结论:
- 整合CWT和PPG-NET为非侵入性血压监测提供了一个高度有效的方法.
- 由于其特殊的准确性和可靠性,PPG-NET显示出在高血压管理中的临床应用的巨大潜力.
- 这种方法将先进的计算技术与PPG分析相结合,为个性化高血压护理铺平了道路.
更多相关视频
11:26Assessing Cerebral Autoregulation via Oscillatory Lower Body Negative Pressure and Projection Pursuit Regression
Published on: December 10, 2014
12.3K
14:28Non-Invasive Monitoring of Microvascular Oxygenation and Reactive Hyperemia using Hybrid, Near-Infrared Diffuse Optical Spectroscopy for Critical Care
Published on: May 10, 2024
1.5K
