机构名称：
¥ 1.0
摘要 - 心血管疾病是世界各地人们的主要关注点，仍然是全球死亡的主要原因。血压已被确定为最重要的危险因素。具有对该生物学参数进行连续监测的能力在降低患心脏病的风险方面起着重要作用。进行的许多研究都利用两种生物信号和从信号中手动提取的特征作为模型的输入。然而，这些方法在涉及信号同步时会增加预处理阶段的计算复杂性，并且模型性能高度取决于特征的选择。这项研究的主要目的是建立一个混合卷积神经网络与长期任期内存（CNN-LSTM）模型相结合，以估算PPG信号的血压，从而消除了对手动特征提取的需求。相关研究以评估模型的性能，并直接可视化模型的性能。这项研究比较了使用CNN-LSTM模型的模拟II数据集，UKM数据集和PPG-BP数据集之间的相关性能，以估算PPG信号的血压。结果表明，UKM数据集的收缩压为0.53，总体相关性最高，舒张压为0.29。使用此数据集训练的模型适合估计141至150mmHg的收缩压，舒张压为81至90 mmHg。结论，
机器人技术，自动化和科学国际杂志
主要关键词
相关文件推荐
