平行卷积神经网络用于非侵入性心脏血液动力学估计:将未校准的PPG信号与非线性特征分析集成
Eugenia Ipar1, Leandro J Cymberknop1, Ricardo L Armentano2,3
1Universidad Tecnológica Nacional, Facultad Regional Buenos Aires, Ciudad Autónoma de Buenos Aires C1179AAQ, Argentina.
Physiological measurement
|March 20, 2025
概括
这项研究引入了一种非侵入性深度学习方法,使用数字光聚体显微镜 (PPGD) 信号来准确预测关键的心血管生物标志物,如心脏输出 (CO),全身血管阻力 (SVR) 和动脉顺应 (AC),以评估心脏血液动力学状态 (CHS).
科学领域:
- 生物医学工程 生物医学工程
- 心血管生理学心血管生理学
- 人工智能在医学中的应用
背景情况:
- 准确评估心脏血液动力状况 (CHS) 取决于以下关键参数:心脏输出 (CO),全身血管阻力 (SVR) 和动脉顺应 (AC).
- 目前用于测量这些生物标志物的方法可能具有侵入性或有限的可访问性.
- 数字光电显微镜 (PPGD) 为心血管健康监测提供了一个潜在的非侵入性来源.
研究的目的:
- 开发和验证一种使用PPGD信号预测CO,SVR和AC的非侵入性深度学习模型.
- 通过随时可用的PPGD数据建立一个全面的方法来评估CHS.
- 为了推进非侵入性心血管诊断.
主要方法:
- 利用了一个由4374个虚拟主体组成的数据集.
- 从PPGD信号中提取非线性特征以捕捉信号的复杂性.
- 实现了并行卷积神经网络 (PCNN) 以同时处理原始PPGD信号和提取的特征.
主要成果:
- 该PCNN模型实现了CO (R2=0.872),SVR (R2=0.851) 和AC (R2=0.938) 的高预测精度.
- 包括RMSE,MSE和MAE在内的性能指标证明了该模型的可靠性.
- 该模型成功地预测了关键的血液动力学生物标志物.
结论:
- 开发的基于PCNN的方法为预测心血管生物标志物提供了一种新且准确的非侵入性方法.
- 这种技术可以使用PPGD信号进行更全面的CHS评估.
- 未来的研究将专注于临床验证,以获得更广泛的适用性.
