SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals
Emory University(埃默里大学);Georgia Institution of Technology(佐治亚理工学院);University of California at San Francisco(加利福尼亚大学旧金山分校)
提出SQUWA深度学习模型,通过集成考虑信号质量的注意力机制动态调整PPG信号片段权重,有效利用部分受损数据,在房颤检测中实现了0.89的AUCPR,优于现有PPG及ECG+PPG模型。
2024-04-15 cs.AI cs.LG eess.SP
KID-PPG: Knowledge Informed Deep Learning for Extracting Heart Rate from a Smartwatch
EPFL(洛桑联邦理工学院)
本文提出知识驱动深度学习模型KID-PPG,通过自适应线性滤波、深度概率推断和数据增强整合专家知识,在PPGDalia数据集上实现2.85次/分钟的平均绝对误差,显著提升智能手表心率提取性能。
2024-10-09 cs.LG eess.SP
A Self-Supervised Algorithm for Denoising Photoplethysmography Signals for Heart Rate Estimation from Wearables
Duke University(杜克大学);Georgia Institute of Technology(佐治亚理工学院);Emory University(埃默里大学)
本文提出一种基于自监督去噪自编码器的PPG信号去噪算法,在保留干净信号形态的同时重建受损部分,显著提升可穿戴设备的心率与心率变异性估计性能。
2023-07-07 cs.LG eess.SP
PPGnet: Deep Network for Device Independent Heart Rate Estimation from Photoplethysmogram
Healthcare Technology Innovation Centre (HTIC)(医疗技术创新中心);Indian Institute of Technology Madras(印度理工学院马德拉斯分校);Department of Electrical Engineering, Indian Institute of Technology Madras(印度理工学院马德拉斯分校电气工程系)
光电体积描记图(PPG)越来越多地用于在非卧床条件下提供心血管系统的监测。像智能手表这样的可穿戴设备使用PPG来允许在自由生活条件下长期不显眼地监测心率。不幸的是,基于PPG的心率测量非常容易受到运动伪影的影响,特别是当从手腕测量时。传统的机器学习和深度学习方法依赖于三轴加速度计数据以及PPG来执行心率估计。由于PPG设备之间的硬件设计的差异,传统的基于学习的方法没有解决对设备特定建模的需要。在本文中,我们提出了一种新的端到端深度学习模型,使用8秒长度的输入PPG信号来执行心率估计。我们在IEEE SPC 2015数据集上评估了所提出的模型,在不需要患者特定训练的情况下,对12名受试者进行HR估计的平均绝对误差为3.36+-4.1BPM。我们还研究了将迁移学习与来自全面内部PPG数据集的稀疏再训练一起应用于具有不同硬件设计的PPG设备的心率估计的可行性。
2019-03-21 cs.LG eess.SP stat.ML
Beyond Single-Channel: Multichannel Signal Imaging for PPG-to-ECG Reconstruction with Vision Transformers
Department of Computer Science, University of Toronto(多伦多大学计算机科学系);Data Science Research Center, Duke Kunshan University(杜克昆山大学数据科学研究中心);Data Science Lab, Fields Institute for Research in Mathematical Sciences(数学科学研究院数据科学实验室);Department of Mathematics and Statistics, York University(约克大学数学与统计学系)
本文提出融合原始 PPG、一阶及二阶差分与曲线下面积的四通道信号图像表示,并以 ViT 建模心搏间和心搏内依赖,显著提升 PPG 到 ECG 的重建精度。
2025-07-22 cs.LG eess.IV eess.SP
Regression or Classification? Reflection on BP prediction from PPG data using Deep Neural Networks in the scope of practical applications
Leipzig University of Applied Sciences(莱比锡应用技术大学);Leipzig University Medical Center(莱比锡大学医学中心);University of Leipzig(莱比锡大学)
光电体积描记(PPG)信号提供了超越心率分析或血氧水平监测的诊断潜力。近年来,研究广泛集中在基于PPG的非侵入性血压(BP)估计方法上。这些方法可以细分为回归和分类方法。后者将PPG信号分配给代表临床相关范围的预定义BP间期。前者预测收缩压(SBP)和舒张压(DBP)作为连续变量,是研究界特别感兴趣的。然而,报告的BP回归方法的准确性在出版物之间差异很大,一些作者甚至质疑基于PPG的BP回归的可行性。在我们的工作中,我们比较BP回归和分类方法。我们认为,BP分类可能提供诊断价值,相当于回归在许多临床相关的情况下,而类似的,甚至更优越的性能。我们比较了几个已建立的神经架构,使用公开的PPG数据进行SBP回归和分类,使用特定于受试者的数据进行个性化和非个性化。我们发现分类和回归模型在个性化之前的表现相似。然而,在个性化之后,基于分类的方法的准确性优于回归方法。我们得出结论,BP分类可能是更可取的BP回归在某些情况下,BP范围的粗分割是足够的。
2022-04-12 cs.CV cs.LG
PPG-to-ECG Signal Translation for Continuous Atrial Fibrillation Detection via Attention-based Deep State-Space Modeling
University of California, Irvine(加州大学欧文分校);Samsung Device Solutions Research America(三星设备解决方案美国研究院)
本文提出与受试者无关的ADSSM,将PPG信号转换为ECG波形,并在MIMIC-III的55名受试者数据上验证,AFib检测PR-AUC达0.986。
2024-06-12 cs.LG
Self-Supervised Autoencoder Network for Robust Heart Rate Extraction from Noisy Photoplethysmogram: Applying Blind Source Separation to Biosignal Analysis
Mellowing Factory Co. Ltd.(梅洛灵工厂有限公司);Chungnam National University Hospital(全南国立大学医院);Department of Radiology, Seoul National University College of Medicine(首尔国立大学医学院放射科)
本文提出了一种自监督多编码器自动编码器,用于从噪声PPG信号中提取心跳相关信号,提升心率检测性能。
2025-08-11 cs.LG eess.SP
BeliefPPG: Uncertainty-aware Heart Rate Estimation from PPG signals via Belief Propagation
ETH Zürich(苏黎世联邦理工学院)
本研究提出BeliefPPG方法,结合神经网络与置信传播处理PPG信号,实现了具备校准不确定性的心率估计,在八个公开数据集的交叉验证中展现出鲁棒性与当前最优性能。
2023-06-14 cs.CV cs.LG eess.SP
Multi-Head Cross-Attentional PPG and Motion Signal Fusion for Heart Rate Estimation
ThinGenious PC(ThinGenious个人计算机公司);University of West Attica(西阿提卡大学);University of Bologna(博洛尼亚大学)
如今,心率(HR)监测是几乎所有采用光电体积描记(PPG)传感器的腕戴式设备的关键特征。然而,手臂运动影响基于PPG的HR跟踪的性能。这个问题通常通过将PPG信号与惯性测量单元产生的数据融合来解决。因此,已经提出了深度学习算法,但它们被认为过于复杂,无法部署在可穿戴设备上,并且缺乏结果的可解释性。在这项工作中,我们提出了一种新的深度学习模型PULSE,它利用时间卷积和多头交叉注意来提高传感器融合的有效性,并实现可解释性。我们在三个公开可用的数据集上评估了PULSE的性能,在最广泛的可用数据集PPG-DaLiA上将平均绝对误差降低了7.56%。最后,我们展示了PULSE的可解释性以及将注意力模块应用于PPG和运动数据的好处。
2022-10-14 cs.HC cs.LG eess.SP
SPECMAR: Fast Heart Rate Estimation from PPG Signal using a Modified Spectral Subtraction Scheme with Composite Motion Artifacts Reference Generation
由于记录信号中存在各种运动伪影,使用光电体积描记(PPG)信号进行心率估计的任务具有挑战性。本文提出了一种基于改进的SPECtral减法算法的快速心率估计算法,该算法利用两通道PPG和三轴加速度计信号,利用复合运动伪影参考生成(SPECMAR)。首先,通过从记录的信号中滤除不需要的频率分量来获得初步的噪声降低。接下来,一个复合运动伪影参考生成方法被开发用于所提出的SPECMAR算法的运动伪影减少。然后根据噪声和运动伪影减少的PPG信号计算心率。最后,提出了一种考虑邻域估计的心率跟踪算法。SPECMAR算法的性能已在公开可用的PPG数据库上进行了测试。平均心率估计误差被发现是2.09 BPM的23个记录。Pearson相关系数为0.9907。由于计算复杂度较低,该方法比比较方法更快。低估计误差,平滑和快速的心率跟踪使SPECMAR成为可穿戴设备中实现的理想选择。
2018-11-27 eess.SP
PPG-Based Affect Recognition with Long-Range Deep Models: A Measurement-Driven Comparison of CNN, Transformer, and Mamba Architectures
University of Ottawa(Ottawa大学)
本文通过测量驱动比较,评估了CNN、Transformer和Mamba在基于PPG信号的情感识别中的性能,发现CNN在整体效果上最优,而Transformer在某些任务中表现更均衡。
2026-04-28 cs.LG
EnhancePPG: Improving PPG-based Heart Rate Estimation with Self-Supervision and Augmentation
Politecnico di Torino(都灵理工大学);University of West Attica(西阿提卡大学);ThinGenious PC;ETH Zürich(苏黎世联邦理工学院);University of Bologna(博洛尼亚大学)
提出EnhancePPG方法,通过结合自监督预训练与数据增强,在不增加推理延迟和标签数据需求的情况下,将PPG-DaLiA数据集上的心率估计误差从4.03 BPM降至3.54 BPM,提升了12.2%。
2024-12-20 cs.LG eess.SP
Greedy-optimized Approach for Interbeat Interval and Heart Rate Variability Daily Monitoring using Wearable PPG
针对可穿戴PPG信号易受运动伪影干扰导致IBI与HRV估计精度低的问题,提出一种将IBI估计转化为有向无环图最短路径问题的贪心优化方法,在多个数据集上均实现高精度估计,具备良好鲁棒性。
2024-04-15 eess.SP
CardioGAN: Attentive Generative Adversarial Network with Dual Discriminators for Synthesis of ECG from PPG
Ingenuity Labs Research Institute(Ingenuity Labs 研究院)
心电图(ECG)是心脏活动的电测量,而光电容积描记图(PPG)是血液循环中体积变化的光学测量。虽然这两种信号都用于心率监测,但从医学角度来看,ECG更有用,因为它携带了额外的心脏信息。尽管许多尝试将ECG感测并入智能手表或类似的可穿戴设备中以用于连续且可靠的心脏监测,但PPG传感器是可用的主要可行感测解决方案。为了解决这个问题,我们提出了一种对抗模型,它以PPG为输入,生成ECG作为输出。该网络利用基于注意力的生成器来学习局部显著特征,以及双鉴别器来保持时域和频域中生成数据的完整性。我们的实验表明,与原始输入PPG相比,由ESTGAN生成的ECG提供了更可靠的心率测量,将误差从每分钟9.74次(从PPG测量)减少到2.89次(从生成的ECG测量)。
2020-12-15 cs.LG eess.SP
Supervised Heart Rate Tracking using Wrist-Type Photoplethysmographic (PPG) Signals during Physical Exercise without Simultaneous Acceleration Signals
最近,随着智能手表和智能手环等可穿戴设备的出现,基于PPG的心率(HR)监测引起了广泛关注。然而,由于由腕带绊倒引起的严重运动伪影(MA),基于PPG的HR监测在受试者执行密集的身体锻炼的场景中是具有挑战性的问题。这项工作提出了一种新的方法,基于神经网络(NN)的监督学习的问题。通过对基准数据集[1]的模拟,与文献相比,我们实现了可接受的估计精度和改进的运行时间。这项工作的一个主要贡献是,它阐明了需要使用同步加速度信号。仿真结果表明,该方法虽然不处理同步加速度信号,但在基准数据集上仍能达到1.39次每分钟心跳(BPM)的平均绝对误差(MAE)。
2020-10-02 eess.SP
Estimating Clinical Lab Test Result Trajectories from PPG using Physiological Foundation Model and Patient-Aware State Space Model -- a UNIPHY+ Approach
School of Nursing, Emory University(埃默里大学护理学院);NKDHS, Inc(NKDHS公司);Emory Healthcare(埃默里医疗集团);UCSF(加州大学旧金山分校)
本文提出UNIPHY+Lab框架,结合PPG基础模型与患者感知Mamba模型,在ICU数据上实现多项实验室检验指标的连续个性化估计,并显著优于LSTM与前向填充基线。
2025-09-19 cs.AI cs.LG
Energy-efficient Wearable-to-Mobile Offload of ML Inference for PPG-based Heart-Rate Estimation
Università di Bologna(博洛尼亚大学);Politecnico di Torino(都灵理工大学)
本研究针对智能手表PPG心率追踪的性能与能耗权衡问题,提出协同推理系统CHRIS,通过评估预测难度智能分配设备端与手机端的工作负载,在保证精度的同时显著降低能耗。
2023-06-08 cs.LG eess.SP
Runtime Monitoring and Statistical Approaches for Correlation Analysis of ECG and PPG
IIT Bhubaneswar(布巴内斯瓦尔印度理工学院);University of Auckland(奥克兰大学)
诸如心电图(ECG)和光电体积描记图(PPG)的生物物理信号是感测健康的生命参数的关键。巧合的是,ECG和PPG是信号,它们提供了进入相同现象(即心动周期)的“不同窗口”。虽然它们被单独使用,但没有关于不同ECG和PPG事件的精确校正的研究。这种相关性在许多方面都是有帮助的,例如使用更便宜的传感器进行传感器融合以提高准确性,以及使用多个信号进行攻击检测和缓解方法以增强鲁棒性。考虑到这一点,我们提出了正式建立ECG和PPG信号之间的关键关系的第一种方法。我们将正式的运行时监控与统计分析和回归分析相结合,对我们的结果进行分析。
2022-01-20 cs.FL cs.LG eess.SP
Tri-Spectral PPG: Robust Reflective Photoplethysmography by Fusing Multiple Wavelengths for Cardiac Monitoring
Department of Computer Science ETH Z\"urich, Switzerland
本文提出一种基于学习的多通道PPG信号融合方法,将绿、红、红外三波长信号融合为单一恢复信号以补偿运动等伪影,在10人13小时真实活动数据集上实现心率平均误差4.5 bpm,较绿色PPG降低23%。
2026-10-21 eess.SP
HeartBEAT: Heart Beat Estimation through Adaptive Tracking
在本文中,我们提出了一种算法表示为HeartBEAT,跟踪心率从手腕型光电容积脉搏波(PPG)信号,同时记录的三轴加速度数据。HeartBEAT包含三个主要部分:PPG信号和加速度数据的谱估计,使用递归最小二乘(RLS)自适应滤波器消除PPG信号中的运动伪影,以及辅助算法。我们在2015年IEEE信号处理杯提供的22个数据集上测试了HeartBEAT。前10个数据集记录了受试者进行前臂和上臂锻炼,跳跃或俯卧撑。最后12个数据集是从在跑步机上跑步的受试者记录的。将实验结果与来自同时记录的心电图(ECG)信号的地面真实心率进行比较。与最先进的算法相比,HeartBEAT不仅产生可比较的Pearson相关性和平均绝对误差,而且还产生更高的Spearman rho和Kendall tau。
2018-11-13 eess.SP
Continuous PPG-Based Blood Pressure Monitoring Using Multi-Linear Regression
在这项工作中,我们提出了Senbiosys血压监测算法(SB-BPM),只需要一个光电容积脉搏波(PPG)信号。该技术基于从不同身体位置检索的PPG信号的脉搏波分析(PWA),以连续估计收缩压(SBP)和舒张压(DBP)。
2020-12-03 eess.SP physics.med-ph
Longitudinal Wrist PPG Analysis for Reliable Hypertension Risk Screening Using Deep Learning
OPPO Health Lab(OPPO健康实验室);Northwestern University(西北大学)
本研究提出基于ResNet和Transformer的腕部PPG深度学习模型,在HBPM纵向数据集上实现无需手工特征的高血压风险筛查,紧凑ResNet以0.124M参数显著优于传统方法。
2024-11-02 cs.LG eess.SP
Estimation of Continuous Blood Pressure from PPG via a Federated Learning Approach
Infant Research Centre(婴儿研究中心);School of Computing(计算机学院);Dublin City University(都柏林城市大学);Department of Electrical Engineering(电气工程系);KU Leuven(鲁汶大学);Cork University Maternity Hospital(科克大学妇产医院);Insight SFI Research Centre(Insight SFI研究中心)
缺血性心脏病是全球每年死亡率最高的原因。这不仅给受影响者的生活带来巨大压力,也给公共医疗系统带来巨大压力。为了了解健康和不健康心脏的动力学,医生通常使用心电图(ECG)和血压(BP)读数。这些方法通常是相当侵入性的,特别是当连续动脉血压(ABP)读数时,更不用说非常昂贵。使用机器学习方法,我们寻求开发一个框架,该框架能够单独从单个光学光电容积描记图(PPG)传感器推断ABP。我们训练我们的框架跨越分布式模型和数据源,以模拟可以在低成本可穿戴设备上实现的大规模分布式协作学习实验。我们的时间序列到时间序列生成对抗网络(T2TGAN)能够从PPG信号中生成高质量的连续ABP,在以前看不见的、有噪声的独立数据集上估计平均动脉压时,平均误差为2.54 mmHg,标准差为23.7 mmHg。据我们所知,该框架是能够从输入PPG信号连续生成ABP的GAN的第一个示例,其也使用联邦学习方法。
2021-02-24 cs.LG eess.SP
MoWaveQFormer: A Motion-Conditioned Quality-Gated Transformer for Smartphone-Based PPG Heart Rate Estimation
Chittagong University of Engineering and Technology(吉大港工程与技术大学);BRAC University(布拉格大学);Hanyang University(汉阳大学)
针对智能手机PPG心率估计在自由生活条件下不可靠的问题,提出MoWaveQFormer,一种运动条件质量门控Transformer,通过运动特定滤波和软门控处理信号质量,在BUT PPG v2.0上实现7.85 bpm的MAE,为实时部署提供紧凑方案。
2026-09-16 eess.SP
Smartwatch Photoplethysmography-Derived Heart Age via ECG-Guided Cross-Modal Pretraining as a Digital Biomarker of Vascular Aging
National Institute of Health Data Science, Peking University(北京大学健康医疗大数据科学国家研究院);Institute of Medical Technology, Peking University Health Science Center(北京大学医学部医药技术学院);OPPO Health Lab(OPPO健康实验室);School of Intelligence Science and Technology, Peking University(北京大学智能科学学院);Xidian University(西安电子科技大学);Shenzhen Technology University(深圳职业技术大学)
本研究开发心电引导跨模态框架,利用智能手表PPG衍生的心龄差作为数字生物标志物,证实其与动脉僵硬度、高血压显著相关,可用于血管衰老评估。
2026-08-04 eess.SP
On Improving PPG-Based Sleep Staging: A Pilot Study
University of Warwick(沃里克大学);Fudan University(复旦大学);Zhengzhou University(郑州大学)
本研究针对仅用PPG进行睡眠分期可靠性不足的问题,提出并比较单流与双流交叉注意力策略,在MESA数据集上验证了结合PPG及衍生模态可显著提升四阶段睡眠分期性能。
2025-07-23 cs.LG eess.SP
Algorithm To Calculate Pulse from PPG Signal After Eliminating Touch Errors from the Fingertip Video Captured by Smartphone Camera
随着世界范围内人口心脏问题的持续存在,人们的医疗需求预计会增加。心电图(ECG)是一种被证明可以捕获心脏反应信号以评估心脏电和肌肉功能的方法。心电图设置是昂贵的,需要适当的培训,当然,它不是即时的。为了快速、准确地监测心脏参数,科学家们关注基于特定波长的光强度的光电容积描记图信号(PPG)。具有高质量摄像头的Android智能手机已经进入普通人的视野,并已成为当今和未来几代人最必要和最坚固的设备之一。我们可以使用其强大的功能来解决或通过捕获图像的必要数据来评估心脏状态监测。移动照相机具有光电发射二极管和光电检测器。光源照亮组织。光电探测器计算与血管(主要是指尖、脚趾和耳朵)中的血容量变化相关的光强度的微小变化。我们已经捕获了未聚焦的接触视频,以使用Android智能手机捕获PPG。然后,我们删除了一定比例的相机触摸错误的基础上,在红色平面的平均像素强度计数,这是一个新的方法,已在本研究中介绍。我们使用二阶巴特沃兹(IIR)带通滤波器的噪声去除,FFT汉恩窗口的频率分析和泄漏减少。我们已经开发了一种算法,使用MATLAB作为开发平台,用于精确的脉冲(BPM)测量。此外,我们已经做了一个比较分析的算法与其他可用的算法PPG为基础的脉冲计算。在这项研究中,指尖视频是在身体静止时拍摄的
2021-09-06 eess.SP
Robust Heart Rate Detection via Multi-Site Photoplethysmography
ETH Zürich(苏黎世联邦理工学院)
提出一种结合多部位PPG传感器的信号融合方法,通过动态评估信号质量生成鲁棒联合信号估算心率,在真实活动数据集上实现2.4 bpm误差,较最佳单设备降低46%。
2026-10-21 eess.SP
Deriving Health Metrics from the Photoplethysmogram: Benchmarks and Insights from MIMIC-III-Ext-PPG
AI4Health Department, Oldenburg University(AI4Health部门,旧恩斯特堡大学);Department of Data Science and AI, National Physical Laboratory(数据科学与人工智能系,国家物理实验室);School of Mathematics and Physics, University of Surrey(数学与物理学院,萨里大学);Department of Public Health and Primary Care, University of Cambridge(公共卫生与初级保健系,剑桥大学)
本文基于MIMIC-III-PPG数据集,建立了PPG临床预测的综合基准,涵盖心律分类和生理参数回归,首次评估了PPG在非房颤和房扑的普遍性心律失常检测中的性能,展示了PPG在多任务临床预测中的应用价值。
2026-03-23 cs.LG eess.SP
Recognising Cardiac Abnormalities in Wearable Device Photoplethysmography (PPG) with Deep Learning
影响心率和节律的心脏异常通常在健康和急性不适的人中观察到。虽然其中许多是良性的,但它们有时可能表明严重的健康风险。ECG监测器通常用于检测心脏电活动中的这些事件,然而它们对于连续长期使用是不切实际的。相比之下,具有光学体积描记术(PPG)的当前一代可穿戴设备因其低成本、无导线和小尺寸而受到欢迎。许多心脏异常,如异位搏动和AF,在PPG波形中可以表现为明显和细微的异常,因为它们会扰乱血流。我们提出了一种自动识别PPG信号中这些异常的方法,而不需要ECG。我们在40万个干净的PPG样本上训练LSTM深度神经网络,以学习典型的PPG形态和节律,并将与此不同的PPG信号标记为心脏异常。我们比较了我们的方法识别的心脏异常与29例患者在47.6小时的金标准观察中床边心电图监测仪记录的异位搏动。我们提出的心脏异常识别方法可以识别PPG信号中60%以上的ECG检测到的PVC,假阳性率为23% -证明了这种新方法的强大功能和价值。最后,我们研究了在标准护理期间使用可穿戴设备的住院和出院患者人群的PPG信号中心脏异常的表现。
2018-07-11 eess.SP
A Shallow U-Net Architecture for Reliably Predicting Blood Pressure (BP) from Photoplethysmogram (PPG) and Electrocardiogram (ECG) Signals
Qatar University(卡塔尔大学);Universiti Kebangsaan Malaysia(马来西亚国立大学);BUET(孟加拉国工程技术大学)
心血管疾病是全世界最常见的死亡原因。为了检测和治疗心脏相关疾病,需要连续血压(BP)监测以及许多其他参数。为此,已经开发了几种侵入性和非侵入性方法。医院中用于连续监测BP的大多数现有方法是侵入性的。相反,基于袖带的血压监测方法,可以预测收缩压(SBP)和舒张压(DBP),不能用于连续监测。几项研究试图从非侵入性收集的信号(如光电容积描记图(PPG)和心电图(ECG))预测BP,这些信号可用于连续监测。在这项研究中,我们探讨了自动编码器在从PPG和ECG信号预测BP中的适用性。该研究对MIMIC-II数据集的942名患者的12,000个实例进行了研究,发现非常浅的一维自动编码器可以提取相关特征来预测SBP和DBP,并且在非常大的数据集上具有最先进的性能。来自MIMIC-II数据集一部分的独立检验集提供的SBP和DBP的MAE分别为2.333和0.713。在40名受试者的外部数据集上,在MIMIC-II数据集上训练的模型分别为SBP和DBP提供了2.728和1.166的MAE。对于这两个病例,结果符合英国高血压学会(BHS)A级,并超过了当前文献的研究。
2021-11-12 cs.LG eess.SP
Amplitude-Independent Machine Learning for PPG through Visibility Graphs and Transfer Learning
Imperial College London(帝国理工学院)
本文提出融合图论与计算机视觉的VGTL-net框架,实现幅度无关且对仿射变换不变的PPG分析,在血管老化预测和连续血压估计中表现优异。
2024-01-16 cs.LG eess.SP
Motion Artifact Reduction In Photoplethysmography For Reliable Signal Selection
Purdue University(普渡大学);PhysIQ
光电体积描记术(PPG)是一种提取人体生命体征的无创且经济的技术。尽管PPG信号已被广泛用于消费级和研究级腕部设备中以跟踪用户的生理,但PPG信号对运动非常敏感,这会破坏信号的质量。现有的运动干扰(MA)减少技术已经开发和评估使用合成噪声信号或在高强度活动期间收集的信号-这两者都很难推广到现实生活中的场景。因此,在进行日常生活活动(ADL)的同时收集真实的PPG信号以开发实用的信号去噪和分析方法是有价值的。在这项工作中,我们提出了一个自动伪干净PPG生成过程可靠的PPG信号选择。对于每个噪声PPG段,对应的伪干净PPG减少MA并且包含描绘心脏特征的丰富的时间细节。我们的实验结果表明,从ADL收集的伪干净PPG的71%可以被认为是高质量段,其中导出的心率和呼吸率的MAE分别为1.46 BPM和3.93 BrPM。因此,我们提出的方法可以通过考虑相应的伪干净PPG信号的质量来确定原始噪声PPG的可靠性。
2021-09-06 cs.LG eess.SP
An End-to-End and Accurate PPG-based Respiratory Rate Estimation Approach Using Cycle Generative Adversarial Networks
University of California Irvine(加州大学欧文分校);University of California, Irvine(加州大学欧文分校);Institute for Future Health, University of California, Irvine(加州大学欧文分校未来健康研究所)
呼吸频率(RR)是代表通气的临床体征。RR的异常变化通常是健康恶化的第一个迹象,因为身体试图维持向其组织输送氧气。在日常环境中远程监测RR的兴趣越来越大,这使得光电体积描记(PPG)监测可穿戴设备成为有吸引力的选择。PPG信号是用于RR提取的有用来源,因为其中存在呼吸诱导的调制。现有的基于PPG的RR估计方法主要依赖于手工制定的规则和手动参数调整。最近提出了一种端到端的深度学习方法,然而,尽管它具有自动化的性质,但使用真实世界数据时,这种方法的性能并不理想。在本文中,我们提出了一个端到端的和准确的管道RR估计使用循环生成对抗网络(CycleGAN)从原始PPG信号重建呼吸信号。我们的研究结果表明,与使用相同的公开数据集的最新技术相比,RR估计精度高达2 $\times$(使用五折交叉验证的平均绝对误差为1.9 $\pm$ 0.3)。我们的研究结果表明,CycleGAN可以是一种有价值的方法,从原始PPG信号的RR估计。
2021-07-30 cs.LG eess.SP
A Comprehensive PPG-based Dataset for HR/HRV Studies
本研究构建了多模态长期PPG数据集UTSA-PPG,涵盖多场景、多通道及加速度数据,并通过案例研究验证其在HR/HRV估计中的价值,弥补了现有数据集不足。
2025-05-13 eess.SP
Detection of Beat-to-Beat Intervals from Wrist Photoplethysmography in Patients with Sinus Rhythm and Atrial Fibrillation after Surgery
腕部光电容积描记术(PPG)允许对心率(HR)进行不显眼的监测。PPG受心脏的毛细血管血液灌注和泵送功能的影响,其通常随着年龄的增长和心律失常的存在而恶化。腕部PPG在监测老年心律失常患者的逐搏HR方面的性能尚未报告。我们在麻醉后监护室监测了18例手术后恢复的患者的腕部PPG,并评估了基于ECG的R-to-R间期(RRI)的心搏间期(IBI)检测准确性。记录期间,9例受试者为窦性心律(SR,68.0岁,$\pm$ 10.2岁,6例男性),9例受试者为房颤(AF,71.3岁,$\pm$ 7.8岁,4例男性)。对于SR组,99.44%的心搏被正确识别,2.39%的额外心搏被检测到,平均绝对误差(MAE)为7.34 ms。对于AF组,97.49%的心搏被正确识别,2.26%的额外心搏被检测到,MAE为14.31 ms。因此,两组中PPG的IBI与ECG参考值非常一致。结果表明,腕部PPG为ECG提供了一种舒适的替代方案,可用于AF发作的长期监测和筛查。
2017-11-08 eess.SP
Transformer-Based Heartbeat Monitoring with FMCW Radar Under Random Body Motion
Dept. of Information Engineering, University of Pisa(比萨大学信息工程系);Radar and Surveillance Systems (RaSS) National Laboratory, CNIT(CNIT雷达与监视系统(RaSS)国家实验室)
提出一种结合模型驱动信号处理与CNN-Transformer网络的混合框架,从77 GHz FMCW雷达数据中重构PPG信号,实现随机身体运动下的可靠心率与心率变异性估计。
2026-05-27 eess.SP
Continuous Monitoring of Blood Pressure with Evidential Regression
基于光电容积描记图(PPG)信号的血压(BP)估计是现代BP测量的有希望的候选者,因为PPG信号可以以非侵入性方式容易地从可穿戴设备获得,从而允许快速BP测量。然而,现有的基于机器学习的BP测量方法的性能仍然落后于一些BP测量指南,并且其中大多数仅提供收缩压(SBP)和舒张压(DBP)的点估计。在本文中,我们提出了一种尖端的方法,能够从PPG信号中连续监测BP,并满足医疗器械促进协会(AAMI)和英国高血压协会(BHS)标准等医疗标准。此外,所提出的方法通过估计其不确定性来提供预测BP的可靠性,以帮助基于模型预测的医疗状况的诊断。MIMIC II数据库上的实验验证了所提出的方法在几个指标下的最新性能,并能够准确地表示预测中的不确定性。
2021-02-26 cs.LG eess.SP
Inferring ECG from PPG for Continuous Cardiac Monitoring Using Lightweight Neural Network
针对智能手表短期ECG检测易漏诊、长期监测需用户持续主动参与的问题,提出轻量级神经网络从PPG推断ECG的方法,结合面向诊断的训练策略与模型解释,仅4万参数实现高保真ECG重建,验证了跨模态连续心脏监测的可行性。
2024-05-10 eess.SP
Context-Aware Stress Monitoring using Wearable and Mobile Technologies in Everyday Settings
University of California, Irvine(加州大学欧文分校)
本文提出一种三层物联网架构的日常压力监测系统,融合PPG与上下文数据并优化EMA标注,随机森林模型F1达70%,证明多模态数据显著优于仅用PPG的56%。
2023-12-14 cs.LG eess.SP
Non-Invasive Glucose Level Monitoring from PPG using a Hybrid CNN-GRU Deep Learning Network
本研究提出一种基于混合CNN-GRU深度学习网络的无创PPG血糖监测方法,利用CNN提取空间模式和GRU检测时间模式,实现了低误差的高精度血糖预测,且100%预测点位于临床可接受区域。
2024-11-17 eess.SP
Interpretable Pre-Trained Transformers for Heart Time-Series Data
Imperial College London(帝国理工学院)
本研究将仅解码器Transformer架构应用于心脏时间序列数据,构建了可解释的通用预训练心脏模型PPG-PT与ECG-PT,验证了其在房颤分类、心跳检测任务上的优异性能与可解释性。
2024-08-13 cs.AI cs.LG eess.SP
Rapid Adaptation of SpO2 Estimation to Wearable Devices via Transfer Learning on Low-Sampling-Rate PPG
Department of Computer Science, University of California, Davis(加州大学戴维斯分校计算机科学系);Department of Electrical and Computer Engineering, University of California, Davis(加州大学戴维斯分校电气与计算机工程系)
本文提出基于迁移学习的框架,利用低采样率PPG实现低功耗可穿戴设备的SpO2估计,实验显示其在公共和私有数据集上的MAE均优于传统方法,且功耗降低40%。
2025-09-15 cs.LG eess.SP
Quality Assessment of Photoplethysmography Signals For Cardiovascular Biomarkers Monitoring Using Wearable Devices
Heart Institute (InCor)(心脏研究所(InCor));Clinics Hospital(临床医院);Sao Paulo Medical School(圣保罗医学院)
针对可穿戴设备连续监测时PPG信号易受干扰的问题,本研究提取27个统计特征,用XGBoost、CatBoost和随机森林模型评估信号质量,性能达前沿水平且模型更简单,为远程心血管监测设备开发提供支撑。
2023-07-17 cs.AI cs.LG eess.SP
Tiny-PPG: A Lightweight Deep Neural Network for Real-Time Detection of Motion Artifacts in Photoplethysmogram Signals on Edge Devices
College of Health Science and Environmental Engineering, Shenzhen Technology University(深圳技术大学健康与环境工程学院);Chinese University of Hong Kong(香港中文大学)
针对物联网可穿戴设备中PPG信号易受运动伪影干扰的问题,本研究提出轻量级网络Tiny-PPG,通过深度可分离卷积等结构优化及剪枝,在仅19726参数下实现87.4%的SOTA检测精度,可部署于边缘嵌入式设备。
2023-10-10 cs.LG eess.SP
CardioFusion-AI: Robust ECG--PPG Fusion for Multimodal Physiological Monitoring Under Signal Degradation
Saveetha School of Engineering(萨维塔工程学院);Government Kilpauk Medical College and Hospital(政府基尔帕乌克医学院及医院)
本研究提出 CardioFusion-AI 框架,通过信号处理前端与自适应融合策略,在多模态生理信号退化场景下实现鲁棒监测,验证了其在不同退化条件下的性能表现。
2026-08-27 cs.LG eess.SP q-bio.QM
Change Point--Aware Evaluation and Re-Calibration of PPG-Based Blood Pressure Estimation
VUNO Inc.(VUNO公司);University of California, Irvine(加州大学欧文分校);Research Institute for Future Medicine, Samsung Medical Center(三星未来医学研究所);Inha University Hospital(仁荷大学医院)
本研究提出基于时间序列变化点检测的波动感知评估框架,针对PPG血压估计模型在血压变化点处性能下降问题,引入触发式针对性重新校准框架,为连续血压监测提供新评估与校准方案。
2026-08-20 cs.AI cs.LG eess.SP
PaPaGei: Open Foundation Models for Optical Physiological Signals
Nokia Bell Labs(诺基亚贝尔实验室);Dartmouth College(达特茅斯学院);University of Cambridge(剑桥大学);University of Glasgow(格拉斯哥大学)
PaPaGei是首个面向PPG信号的开放基础模型,在57000小时数据上预训练,利用PPG形态学领域知识学习表示,在20项健康监测任务上以更高数据和参数效率超越更大模型,并建立了肤色偏差评估基准。
2025-02-05 cs.LG eess.SP
Non-Interchangeability between Heart Rate Variability and Pulse Rate Variability During Supine-to-Stand Tests
本研究针对仰卧-站立测试中年轻人HRV与PRV的互换性问题,提取心电和PPG信号的15个多域特征并分析差异,发现二者不可互换,为PRV替代HRV的局限性提供了证据。
2025-02-11 eess.SP
Optimised Convolutional Neural Networks for Heart Rate Estimation and Human Activity Recognition in Wrist Worn Sensing Applications
University College Cork(科克大学学院);Dublin City University(都柏林城市大学)
腕戴式智能设备通过复杂的分析提供了对人类健康、行为和表现的更多见解。然而,面对与运动相关的伪影,电池寿命、设备成本和传感器性能带来了挑战,必须进一步解决这些挑战,才能通过该技术的商品化实现有效应用和更广泛的采用。我们通过使用简单的光学测量来解决这些挑战,传统上用于腕戴式传感器中的心率检测的光电体积描记术(PPG),我们可以在低采样率下同时提供改进的心率和人体活动识别(HAR),而无需惯性测量单元。这简化了硬件设计并降低了成本和功耗预算。我们应用了两个深度学习管道,一个用于人类活动识别,一个用于心率估计。HAR是通过应用视觉分类方法实现的,能够在低采样率下实现鲁棒性能。这里,利用转移学习来重新训练卷积神经网络(CNN)以区分不同人类活动期间PPG的特性。对于心率估计,我们使用用于回归的CNN,其将噪声光学信号映射到心率估计。在这两种情况下,与领先的传统方法进行比较。我们的研究结果表明,低采样频率可以实现良好的性能,而不会显着降低精度。5Hz和10Hz的HAR分类准确率分别为80.2%和83.0%。这些相同的采样频率也产生了鲁棒的心率估计,其与在256 Hz的更能量密集的速率下实现的心率估计相当。
2020-03-30 cs.HC cs.LG eess.SP
Energy-efficient Blood Pressure Monitoring based on Single-site Photoplethysmogram on Wearable Devices
本文提出了基于单点光电容积脉搏波(PPG)传感器的精确血压监测(BPM),并在边缘无袖可穿戴设备上提供了一种节能解决方案。对连续PPG信号进行预处理并用作人工神经网络(ANN)的输入,并输出每次心跳的收缩压(SBP)、舒张压(DBP)和平均动脉压(MAP)值。BPM准确度的提高是通过去除预处理步骤中的异常值和与从PPG信号提取的基于参数的输入相比的基于整体的输入来获得的。所获得的SBP性能为$3.42 \pm 5.42$ mmHg(MAE $\pm$ RMSD),DBP性能为$1.92 \pm 3.29$ mmHg,MAP性能为$2.21 \pm 3.50$ mmHg,与其他研究相比具有竞争力。这是我们迄今为止了解到的第一个具有边缘计算人工智能的BPM解决方案。在实际硬件上的评估实验表明,该解决方案需要42.2 ms,18.2 KB RAM,和2.1 mJ的平均能量每次读取。
2021-08-02 eess.SP
Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation
ETH Zürich(苏黎世联邦理工学院);University of Bologna(博洛尼亚大学)
本研究探索将EEG基础模型微调至ECG/PPG数据用于血压估计,在MIMIC-III和VitalDB上达到接近最优精度,并通过INT8量化大幅压缩模型,实现资源受限设备上的实时监测。
2025-10-17 cs.AI cs.LG eess.SP
A Review of Deep Learning Methods for Photoplethysmography Data
本文综述了2017至2025年间应用深度学习处理光电容积信号数据的研究,总结了其在生理监测和新兴应用中的进展与挑战。
2026-03-16 cs.AI cs.LG eess.SP