基于EEG的基础生物信号模型对心电图和PPG数据进行微调和量化,用于估计血压

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的机器学习
• 心血管监测 心血管监测

背景情况:

• 高血压是一个主要的全球健康问题,需要准确和持续的血压 (BP) 监测.
• 现有的基于袖子的血压测量方法是间歇性的和侵入性的.
• 光电心电图 (PPG) 和心电图 (ECG) 提供了持续,非侵入性血压监测的潜力,但ML模型培训面临着数据变化方面的挑战.

研究的目的:

• 调查从脑电图 (EEG) 数据中学到的模型表示的可转移性,以提高使用ECG/PPG信号的BP估计.
• 开发一个通用的生物信号基础模型,用于准确和强大的无袖血压监测.
• 通过模型优化,在资源受限的可穿戴设备上实现实时BP估计.

主要方法:

• 使用基于EEG的基础模型,并根据ECG/PPG数据对其进行微调,以进行BP估计.
• 评估了MIMIC-III和VitalDB数据集的方法.
• 应用动态INT8量子化来减少模型大小,以便部署在可穿戴设备上.

主要成果:

• 实现了对透析血压估计的近乎最先进的准确性 (平均绝对误差:1.57 mmHg).
• 在缩血压估计准确性方面超过了先前工作的1.5倍 (平均绝对误差:2.72 mmHg).
• 通过量子化而不会降低性能,最小模型尺寸减少了超过3.5× (从13.73 MB降至3.83 MB).

结论:

• 基于EEG的预训练有效地转移知识,以改善ECG/PPG信号的BP估计.
• 开发的框架允许准确,连续和无袖的BP监测,解决传统设备的局限性.
• 硬件友好的量子化促进了在低功耗可穿戴设备上部署,以进行不引人注目的实时心血管健康监测.