机构名称：
¥ 1.0
摘要 — 根据光电容积描记法 (PPG) 信号估计心率 (HR) 是现代可穿戴设备用于健康和保健监测的一个关键功能。虽然深度学习模型很有前景，但它们的性能依赖于大型数据集的可用性。我们提出了 EnhancePPG，这是一种通过将自监督学习与数据增强 (DA) 相结合来增强最先进模型的方法。我们的方法将自监督预训练与 DA 相结合，使模型能够学习更多可推广的特征，而无需更多标记数据。受类似 U-Net 的自动编码器架构的启发，我们利用无监督 PPG 信号重建，利用预训练阶段的大量未标记数据并结合数据增强来提高最先进模型的性能。得益于我们的方法和对最先进模型的最小修改，我们将最佳心率估计提高了 12.2%，将 PPG-DaLiA 上的误差从 4.03 BPM 降低到 3.54 BPM。重要的是，我们的 EnhancePPG 方法专注于所选深度学习模型的训练，而不会显著增加其推理延迟。索引术语 — 深度学习、心率监测、光电容积描记法、预训练、增强
通过自我改进来改进基于 PPG 的心率估计...
主要关键词
相关文件推荐
