针对PPG应用的多任务学习方法:关于信号质量评估和生理参数估计的案例研究

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:

• 可穿戴式光透视图 (PPG) 能够远程监测心率 (HR) 和呼吸率 (RR) 等生理参数的健康状况.
• 当前的PPG分析往往独立处理生理参数,忽视它们固有的相互依赖.
• 多任务学习 (MTL) 是一种机器学习范式,可以通过训练单个模型来执行多个相关任务来利用这些相互依赖.

研究的目的:

• 调查MTL在增强基于PPG的远程健康监测应用中的潜力.
• 开发和评估新的PPG质量评估和同时HR/RR估计的多任务深度学习模型.
• 在PPG分析中证明MTL方法在传统单任务学习方法上的优越性.

主要方法:

• 为PPG数据量身定制的多任务深度学习架构的开发.
• 应用MTL用于两个不同的任务: (1) 对HR/HRV进行PPG信号质量评估和 (2) 同时估计HR和RR.
• 通过使用智能手表在日常活动中从46名受试者收集的PPG数据集来评估拟议的模型.

主要成果:

• 拟议的MTL模型在所有评估任务中显著优于基线单任务模型.
• 与单任务方法相比,MTL方法在PPG质量评估中取得了更高的准确性.
• 在使用MTL同时估计HR和RR时,观察到较低的错误率.

结论:

• 多任务学习有效地利用PPG衍生的生生理学参数之间的共同特征.
• MTL提供了一个强大的框架,可以提高基于可穿戴的PPG的健康监测的性能和准确性.
• 开发的MTL模型显示了远程患者监测中实际应用的巨大潜力.