目的直接动脉血压(arterial blood pressure,ABP)连续监测是侵入式的,传统袖带式的间接血压测量法无法实现连续监测。既往利用光学体积描记术(photoplethysmography,PPG)实现了连续无创血压监测,但其为收缩压和舒张压的离散值,而非ABP波的连续值,本研究期望基于卷积神经网络-长短期记忆神经网络(CNN-LSTM)利用PPG信号波重建ABP波信号,实现连续无创血压监测。方法构建CNN-LSTM混合神经网络模型,利用重症监护医学信息集(medical information mart for intensive care,MIMIC)中的PPG与ABP波同步记录信号数据,将PPG信号波经预处理降噪、归一化、滑窗分割后输入该模型,重建与之同步对应的ABP波信号。结果使用窗口长度312的CNN-LSTM神经网络时,重建ABP值与实际ABP值间误差最小,平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别为2.79 mmHg和4.24 mmHg,余弦相似度最大,重建ABP值与实际ABP值一致性和相关性情况良好,符合美国医疗器械促进协会(Association for the Advancement of Medical Instrumentation,AAMI)标准。结论CNN-LSTM混合神经网络可利用PPG信号波重建ABP波信号,实现连续无创血压监测。
为了实现非接触式的日常精神压力检测,本文提出了一种基于成像式光体积描记术的精神压力检测方法。首先,通过手机摄像头记录受试者面部视频,再采用本文所提出的基于Face Mesh的动态感兴趣区域(Region of Interest,ROI)提取方法获得心率波动引起的皮肤微弱颜色变化。接下来,将快速独立成分分析(FastICA)算法、小波变换和窄带带通滤波相结合,提取基于图像的光体积描记术信号和心率变异性信息。然后,对30名受试者进行了压力诱导实验,通过比较受试者正常和应激状态下心率变异性参数的差异,筛选了用于精神压力检测的14个特征,并探讨了压力诱导的短期精神压力和日常精神压力之间的关系。最后,另外选取67名受试者进行日常精神压力检测,使用机器学习算法建立了精神压力检测的三分类器。实验结果表明:精神压力三分类准确率达到95.2%。鉴于这种方法不需要长期测量,仅使用智能手机就可以准确检测人类精神压力水平,而且测量方法简单,测量时间短,易操作,不会影响受试者的正常心理和精神状态,因此可以作为一种有效的心理学研究工具。
