合成光斑发电图 (PPG) 信号生成使用基于遗传编程的生成模型
Fatemeh Ghasemi1, Majid Sepahvand2, Maytham N Meqdad3
1Department of Computer Engineering and Information Technology, Razi University, Kermanshah, Iran.
Journal of medical engineering & technology
|December 28, 2024
概括
这项研究介绍了一种基因编程 (GP) 模型,用于生成多样化和准确的合成光聚发电图 (PPG) 信号,解决智能设备中心脏监测的数据限制.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 光电脉冲扫描仪 (PPG) 技术越来越多地集成到用于心脏监测的智能设备中.
- 开发合成PPG信号的生成模型面临着数据多样性和有限的培训数据集的挑战.
- 深度学习模型需要广泛而多样化的数据来有效地生成PPG信号.
研究的目的:
- 为合成PPG信号生成提出一种新的生成模型.
- 解决当前PPG信号生成方法中数据多样性和可用性的局限性.
- 利用基因编程 (GP) 来创建准确和多样化的PPG数据.
主要方法:
- 采用基因编程 (GP) 方法来创建一个生成模型.
- 该GP模型自动确定数学模型结构和组合.
- 该模型使用初始的PPG信号样本来生成多样化和准确的数据.
主要成果:
- 拟议的GP模型实现了0.0001.1的平均平方误差 (MSE).
- 根平均平方误差 (RMSE) 记录在0.01,表明高精度.
- 一个0.999的相关系数显示了与真实PPG信号的强烈一致.
- 在生成合成 PPG 数据方面,GP 方法的性能优于传统方法.
结论:
- 基于GP的生成模型有效地产生多样化和准确的合成PPG信号.
- 该方法克服了与有限数据相关的挑战,并增强了数据多样性.
- 该模型证明了效率和适用性,特别是在心脏监测的资源有限的环境中.
