BpBLS:一种知识嵌入式双增量广泛学习系统,用于可穿戴的无袖手套血压估计

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 可穿戴技术可穿戴技术

背景情况:

• 无袖血压 (BP) 测量对于不断增长的老年人群至关重要.
• 现有的无袖血压估计数据驱动方法是准确的,但计算密集型,需要全面重新培训更新.
• 这种限制阻碍了它们在可穿戴设备上的实际应用.

研究的目的:

• 开发一种使用可穿戴生物信号的无袖血压估计的新,高效和灵活的系统.
• 为了解决传统机器学习模型的耗时再培训问题.
• 通过知识嵌入来提高BP估计的准确性.

主要方法:

• 提出了一个知识嵌入式双增量广泛学习系统 (BpBLS),具有平面结构,可灵活更新.
• 引入了脉冲压调节 (PPR) 方法,以嵌入BP知识并提高准确性.
• 在两个大型数据集上验证了BpBLS:CAS-BP和Aurora-BP.

主要成果:

• 在这两种数据集上,BpBLS实现了优异的估计准确性,其误差与最先进的方法相美.
• 证明了显著的计算效率,训练时间小于10秒.
• 与传统方法相比,计算效率得到了数量级的改进.

结论:

• BpBLS框架提供了一种灵活,轻量级和高效的解决方案,用于无袖式血压测量.
• 这种方法克服了传统模型的局限性,允许更快的更新和部署在可穿戴设备上.
• 这项研究为实时,非侵入性血压监测提供了一个有希望的方向.