基于联合卷积神经网络与条件生成对抗网络的光电容积脉搏波心率变异性特征心率估计方法及其应用

本文提出一种创新性深度学习框架，结合卷积神经网络（CNN）与条件生成对抗网络（CGAN），通过光电容积脉搏波（PPG）提取心率变异性（HRV）等特征实现高精度心率估计。该方法利用CGAN的生成器-判别器对抗机制与残差块、自注意力结构，有效解决PPG与心电图（ECG）信号间的时序差异问题，显著提升皮尔逊相关系数（ρ）、弗雷歇距离（FD）、均方根误差（RMSE）和平均绝对失真（MAD）等指标，为心血管疾病（CVD）的穿戴式无创监测提供新方案。

　　

^Highlight

^{我们的方法}

本节提出基于PPG信号的心率估计方法。首先进行预处理操作，包括PPG信号分割、去噪、ECG与PPG信号归一化、从PPG中提取HRV及其他特征，并将数据集划分为训练集、验证集和测试集。上述预处理通过Python 3.10与Matlab2024a实现。其次...

^数据集

采用MIMIC III匹配子集[15]评估各方法性能。该数据库包含重症监护病房患者采集的大规模多生理信号记录。本研究仅使用125条来自不同对象的同步ECG与PPG记录进行评估。PPG与ECG信号采样频率均为125 Hz。

^评估标准

采用皮尔逊相关系数衡量...

^结论

本文提出联合CNN与CGAN模型通过PPG实现心率估计。为提升模型性能，在生成器与判别器中引入残差块结构，实现特征直接传递至输出端，有效缓解训练过程中的梯度消失问题，显著增强模型稳定性。此外，生成器训练采用基于条件信息的感知损失函数...

^{作者贡献声明}

Juntao Ding: 原始稿撰写·可视化·软件构建·方法论·研究调查·形式分析·数据整理·概念化；Qian Liu: 原始稿撰写·可视化·验证·数据整理；Bingo Wing-Kuen Ling: 审稿修订·项目监督·资源整合·项目管理·方法论·研究调查·资金获取·形式分析·概念化；Wenli Li: 资源支持。

^{利益冲突声明}

作者声明不存在任何可能影响本研究结果的已知经济利益冲突或个人关系。