血压估计误差直降43.7%！可解释个性化PPG监测新框架来了
Personalized and Explainable Blood Pressure Estimation from PPG via Hybrid CNN--Morphological Features
📖 AI 总结
本文提出一种基于光电容积脉搏波（PPG）的个性化、可解释血压估计框架，旨在解决现有方法的两个局限：手工特征方法依赖精确的特征点检测且仅适用于短期分析，而深度学习模型虽精度较高却缺乏生理可解释性。作者构建了一个生理引导的混合模型，将捕捉全局与局部波形动态的卷积神经网络分支，与显式编码个体血管特征的形态学先验分支相结合，从而增强个性化能力并降低对大规模训练数据的依赖。在MIMIC-III数据库子集上采用受试者个性化测试协议评估，该方法对收缩压和舒张压的平均绝对误差分别为3.77 mmHg和2.36 mmHg，相较仅用CNN的个性化基线分别改善43.7%和32.4%。基于SHAP的分析证实，引入的形态学先验特征与个体血管特性相符，提升了逐受试者的可解释性。该研究为真实场景下准确且可解释的血压监测提供了新思路。
🔑 关键词速览
| 光电容积描记法 (PPG) | 一种通过光学手段测量血液体积变化的技术，常用于无创连续血压监测。 |
| 卷积神经网络 (CNN) | 一种深度学习模型，擅长处理网格状数据（如波形信号），能自动提取局部特征。 |
| 形态学先验特征 | 基于波形形状的显式特征，用于编码个体血管特性，增强模型可解释性和个性化。 |
| SHAP分析 | 一种基于博弈论的特征重要性解释方法，用于量化每个特征对模型预测的贡献。 |
| 平均绝对误差 (MAE) | 预测值与真实值之间绝对误差的平均值，是评估血压估计精度的常用指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅