通过食管光电容积描记法和深度学习进行心输出量量化

《IEEE Transactions on Instrumentation and Measurement》：Cardiac Output Quantification via Esophageal Photoplethysmography and Deep Learning

本研究提出一种基于食管PPG信号的新型心脏输出量（CO）量化模型，通过四层感知机算法分析24项特征，结合随机森林确定的940 nm最佳波长，实验验证显示自制仪器与商业设备（PICCO）在七头猪中采集的421对数据上表现优异，相关系数达0.934，误差和一致性指标分别为0.0803和0.965，证实模型的高精度和稳定性。

　　

摘要：

通过光电容积描记法（PPG）进行连续、微创的心输出量（CO）测量在日常监测中受到了广泛关注。然而，现有研究的精度尚不足以满足临床测量的需求。因此，本文提出了一种新的心输出量量化模型，该模型采用食管PPG信号进行临床监测。基于这一模型，设计了一种连续心输出量量化仪器，并通过实验获得了该模型的训练和测试数据集。实验数据集包含421对观测结果，这些数据来自使用定制仪器获得的食管PPG信号以及使用商用仪器在七头猪身上获得的PICCO（脉搏指数连续心输出量）数据。在所提出的模型中，设计了一种用于心输出量量化的深度学习算法。通过对实验数据集中的24个特征进行数学分析，开发了一个四层感知器模型。同时，通过随机森林模型确定了最佳波长940纳米，以提高预测精度。使用十折交叉验证对定制的连续心输出量量化仪器进行评估，其相关系数为0.934，表明具有较高的预测精度。通过Bland-Altman分析验证了该仪器的一致性，结果显示百分比误差（PE）为0.0803，估计值在一致性范围内的百分比（PEI）为0.965，表明仪器具有良好的稳定性。