Deep Learning Classification of Photoplethysmogram Signal for Hypertension Levels

连续的基于光电容积图（PPG）的血压监测对于医疗保健和健身应用非常必要。在人工智能（AI）中，需要进一步探索机器和深度学习排列中的信号分类水平。基于时频谱的技术，如短时傅里叶变换（STFT），已被用于解决运动伪影校正的挑战。因此，本研究提出了使用STFT处理200多名高血压患者（650多个信号样本）的PPG信号，采用各种神经网络（卷积神经网络（CNN），长短期记忆（LSTM），双向长短期记忆（Bi-LSTM）），并使用机器学习分类器，如支持向量机（SVM）和随机森林（RF）。分类针对两个类别进行，即：高血压前期（正常水平）和高血压（包括一期和二期）。使用两个批次大小为3和16进行神经网络融合，并获得了各种性能指标。在所有神经网络组合中，LSTM模型在精确度和特异度均为100％，召回率为82.1％时提供了最佳结果。然而，LSTM-CNN模型实现了最大的71.9％准确率。进一步采用堆叠集成方法来实现Meta-LSTM-RF，Meta-LSTM-CNN-RF和Meta-STFT-CNN-SVM的100％准确率。

研究如何利用连续光电容积脉搏图（PPG）进行血压监测，并探索机器学习和深度学习技术在信号分类中的应用。

使用短时傅里叶变换（STFT）等时频谱技术处理PPG信号，结合卷积神经网络（CNN）、长短期记忆网络（LSTM）和双向LSTM等神经网络模型，以及支持向量机（SVM）和随机森林（RF）等机器学习分类器，对超过200名高血压患者的PPG信号进行分类。

论文使用了多种神经网络模型和机器学习分类器，通过STFT技术处理PPG信号，实现了对高血压和正常血压的分类。实验结果表明，在多种模型组合中，LSTM模型表现最佳，具有100%的精确度和特异度，82.1%的召回率。此外，论文还使用了堆叠集成方法，实现了Meta-LSTM-RF、Meta-LSTM-CNN-RF和Meta-STFT-CNN-SVM的100%准确率。

近期相关研究包括《Continuous Blood Pressure Monitoring Using Photoplethysmography and Artificial Intelligence: A Review》、《Blood Pressure Estimation Using Photoplethysmography: A Review》等。