使用PPG传感器数据和人口因素预测高血压:一种机器学习方法.

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 心血管疾病研究研究

背景情况:

• 高血压是全球主要的健康问题,需要持续监测.
• 传统的血压监测方法有其局限性,这促使人们寻找更好的解决方案.
• 摄影致血学 (PPG) 为心血管评估提供了一种潜在的非侵入性方法.

研究的目的:

• 评估使用PPG信号和深度学习用于高血压检测的可行性.
• 为此任务比较不同深度学习模型 (CNN-Attention,CNN-GRU,LSTM) 的性能.
• 评估在资源有限的环境中可访问的心血管监测的价值.

主要方法:

• 分析了基林人民医院218名受试者的657个PPG录音.
• 深度学习模型的应用:卷积神经网络-注意力 (CNN-Attention),CNN-Gated重复单元 (CNN-GRU) 和长短期记忆 (LSTM).
• 数据预处理包括z-score规范化和增强,以80:20的火车测试分割.

主要成果:

• CNN-GRU模型以75%的准确度和AUC-ROC为0.658.658.5的水平实现了最高的性能.
• 在CNN-GRU的测试中,对识别高血压病例进行了完美的回忆 (1.00).
• CNN-Attention实现了61%的准确性,而LSTM表现最差.

结论:

• 深度学习模型,特别是CNN-GRU,显示了使用PPG信号准确检测高血压的前景.
• 通过PPG进行可访问的心血管监测是可行的和有价值的,特别是在资源有限的环境中.
• 这种方法可以为全球更好的高血压管理和心血管健康监测做出贡献.