论文阅读和分析:Applying a Deep Learning Network in Continuous Physiological Parameter Estimation

论文阅读和分析：Applying a Deep Learning Network in Continuous Physiological Parameter Estimation Based on Photoplethysmography Sensor Signals

1、使用CNN-LSTM神经网络架构同时计算HR、SBP、DBP、MAP（心率和血压）；

2、通过Advancement of Medical Instrumentation (AAMI) and the British Hypertension Society (BHS)的标准；

3、在MIMIC II数据集上使用10-fold交叉验证；

4、采样频率125HZ；

5、预处理，将数据集中的数据长度过短、数据值异常的去掉；

网络架构：

网络层配置：

损失函数：

$$H_{\delta }(y,f(x))=\{\begin{array}{ll}\frac{1}{2}(y-f(x){)}^2,& if|y-f(x)|\le \delta ,\\ \delta |y-f(x)|-\frac{1}{2}{\delta }^2,& otherwise.\end{array}$$
其中$\delta =1$

评价指标：

$$\begin{array}{rl}MAE& =\frac{1}{n}\sum _{i=1}^n\left|y_i-{\hat{y}}_i\right|\\ ME& =\frac{1}{n}\sum _{i=1}^n\left(y_i-{\hat{y}}_i\right)\\ SD& =\sqrt{\frac{1}{n}\sum _{i=1}^n{\left(x_i-ME\right)}^2}\end{array}$$

实验结果：

参考：

Applying a Deep Learning Network in Continuous Physiological Parameter Estimation Based on Photoplethysmography Sensor Signals