基于深度学习的ECG/PPG血压测量方法
胡军锋
郑彬
北京工业大学理学部,北京 100022
摘要：近年来,基于ECG/PPG信号的血压测量方法已经在某些可穿戴设备上实现.但此类方法的检测精度尚未达到相关国际标准.本研究利用深度神经网络模型,对基于ECG/PPG信号的血压测量方法进行了深入研究,提高了该类方法的检测精度.首先,采用基于小波包的模态分解技术,从PPG信号中提取出心脏信号和呼吸信号,并将其与ECG信号同步.然后,采用卷积神经网络(convolutional neural network,CNN)基于上述信号建立血压检测模型.通过选用从MIMIC-Ⅲ数据集中筛选出的5776条数据作为实验数据,结果显示,当使用ECG/呼吸/心脏信号测量血压时,CNN模型的收缩压检测精度为(4.6852±6.0730)mm-Hg,舒张压的检测精度为(2.5340±3.9860)mmHg,均达到美国医疗器械促进协会(AAMI)标准和英国高血压协会(BHS)标准的最高级.当使用呼吸/心脏信号测量血压时,CNN模型的舒张压检测精度达到AAMI标准和BHS标准的最高级,收缩压检测精度未达到AAMI标准.结果表明,模态分解技术与ECG信号结合后,可以有效提高对血压的检测精度.
关键词：血压光电容积脉搏波描记法心电图信号处理小波包变换卷积神经网络模型
分类号：R318(医用一般科学)R443.5(诊断学)TP212.3(自动化技术及设备)TN911.7(通信)
论文发表日期：2022-03-25
在线出版日期：2026-09-11（本平台首次上网日期，不代表文献的发表时间）
页数：9( 46-54 )
英文信息