Featureless Blood Pressure Estimation Based on Photoplethysmography Signal Using CNN and BiLSTM for IoT Devices
Yung-Hui Li, Latifa Nabila Harfiya, and Ching-Chun Chang
摘要
監測連續血壓 (BP) 訊號對於個人的健康至關重要。光電容積脈搏波 (PPG) 是過去十年中最流行的技術之一，以非侵入的方式估量血壓，並且許多文獻提出PPG 特徵擷取的方法。
在這項研究中，我們開發了一種連續的收縮壓 (SBP) 與舒張壓 (DBP)的估計機制，且汰除了特徵工程。僅使用前處理過的原始 PPG 訊號當作我們深度學習網路的輸入，該網路由一維卷積神經網路 (1D-CNN) 以及雙向長短期記憶網路 (BiLSTM) 所組成。
在實驗方面，我們通過均方根誤差 (RMSE) 和平均絕對誤差 (MAE) 來估計 DBP 與 SBP，並達到優於前者基於特徵工程方法：SBP 和 DBP 的 RMSE 分別為 11.503 和 6.525，SBP 和 DBP 的 MAE 分別為 7.849 和 4.418。在僅用 PPG 訊號進行血壓監測的情況下，我們提出的方法有望顯著提高智慧醫療物聯網上的效率。