一种利用光电容积描记（PPG）信号和深度学习模型对高血压分类的新方法

具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI
据世界心脏联合会统计，截至 2022 年，全球有 13 亿人被诊断患有高血压，每年约有 1000 万人死于高血压。一个人有必要拥有有益于心脏健康的生活方式，以防止被诊断出患有心血管疾病（CVD）和动脉疾病等致命疾病的风险。如果一个人疏于定期监测血压，他们可能会突然被诊断出患有血压。有时很难预测高血压，因为这种情况的初期症状并不明显。高血压阶段的分类也很有用，这样一个人就可以根据他所处的阶段进行以下生活方式的改变。

光电体积描记法（PPG）是一种检测血液循环变化的光学方法。它主要是表示血容量随时间变化的波形。 PPG 信号的一些非常常见的应用是心率测量和血流监测。 PPG 信号因其非侵入性、方便性、廉价的血压估计方法以及在健康监测方面的巨大潜力而闻名。

创建一个数据集，其中包含 219 名患者，每位患者在三个不同的时间段采集PPG信号，总共657个PPG 信号，每个PPG 信号2100个采样点。PPG 信号可分为 4 个高血压阶段，其中有246个正常，255个高血压前期，99个一期高血压，57个二期高血压。PPG原始信号下如图所示：

使用移动平均法，窗口大小为50，以确保信号数据不会丢失，同时平滑曲线以使其适合训练，如图

4 个高血压阶段的PPG波形显示

基于上述数据集，提出了几种机器学习方法来对高血压的四个阶段进行分类。这里采用的分类方法是：Alexnet、Resnet -50、VGG-16和新的模型：AvgPool_VGG-16。使用这些算法时要考虑到数据集的数量和多样性。所使用的方法将在以下部分中详细阐述。
AlexNet是一种深度卷积神经网络，由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton在2012年提出。整体结构由5个卷积层(Convolution、ReLU、LRN、Pooling)+3个全连接层组成.它被认为是深度学习领域的突破性架构，是对传统深度学习模型的重大改进[18]。它对深度学习的贡献是巨大的，因为它帮助建立了深度神经网络在计算机视觉任务中的有效性，并为开发更强大、更复杂的神经网络架构铺平了道路。
ResNet-50是一种深度神经网络架构，由研究人员Kaiming He、XiangyuZhang、Shaoqing Ren和 Jian Sun于2015年提出[19]。它是基于残差学习的思想。残差学习涉及使用跳跃连接，允许一层的输入直接传递到下一层之后的一层，而不是经过一系列中间层。这有助于缓解梯度消失问题，该问题可能发生在非常深的网络中。其性能已被证明优于许多以前最先进的模型 [20]。
VGG，又叫VGG-16，顾名思义就是有16层，包括13个卷积层和3个全连接层，是由Visual Geometry Group组的Simonyan和Zisserman在文献《Very Deep Convolutional Networks for Large Scale Image Recognition》中提出卷积神经网络模型，该模型主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能。其年参加了ImageNet图像分类与定位挑战赛，取得了在分类任务上排名第二，在定位任务上排名第一的优异成绩。

AvgPool_VGG-16 平均池化是卷积神经网络中广泛使用的操作，它计算特征图块的平均值并用于减小特征图的大小。该方法旨在减少模型中的参数，以提高其稳健性和效率。与最大池化相比，它更容易提取特征[22]。就像平均池化一样，最大池化是另一种用于减小特征图大小的常用方法。它通过仅取每个区域的最大值来获得最重要的特征。在机器学习中，池化方法的选择可以显着影响机器学习的性能。对于生理信号，使用averagepooling比maxpooling 更好，因为averagepooling能够保留时间信息，而maxpooling只保存最大值并丢弃在分类中至关重要的时间信息[24]。此外，averagepooling具有以下能力减少噪音，因为它有噪音抑制机制[25]。最大池化仅考虑边缘/峰值。由于信号从 0 到 1 标准化，因此最大池化的效率低于平均池化。图 5 显示了建议的模型架构，其中我们选择在 VGG-16 模型中使用平均池化而不是最大池化，因为它会产生更好的结果。

几个模型的效果，Alexnet 的准确率最低，无法对任何信号进行分类。实施了预训练的 ResNet-50 和 VGG-16 模型。虽然 ResNet-50 提供了比 Alexnet 更好的结果，但 VGG-16模型比所有其他模型产生了明显更好的结果，准确率为 71%，F1 分数为 0.69。我们修改后的 VGG 模型 AvgPool_VGG-16 采用平均池化，取得了最佳结果，准确率为 80%，F1 分数为 0.77。

表 1 展示了在测试数据集上运行模型所获得的结果。 AlexNet 提供的结果很差并且无法区分信号。 ResNet-50 能够对正常 PPG 信号进行分类，但无法区分其他类别。 VGG-16 和 AvgPool_VGG16 提供了良好的结果，但在对 2 期高血压 (ht˫) 进行分类时，其准确性较低，因为可用的数据记录相对较少。从表2中我们可以发现VGG-16模型比Alexnet和ResNet产生了更好的结果。由于 VGG-16˯ 比 ResNet-50 和 AlexNet 具有更多的训练参数，因此在医疗信号方面它比其他模型产生了更高的准确度结果。从我们提出的模型 AvgPool_VGG-16 获得的结果表明，平均池化是比最大池化更适合信号图像分类的池化技术。此外，与之前提出的模型相比，该模型提供了更好的结果[9]。我们的模型实现了最佳性能，表明在这种情况下使用平均池比最大池具有优势。这凸显了为信号图像分类任务选择适当的池化技术的重要性。