光电容积脉搏波数据的深度学习方法综述
内容提要
该文综述基于光电容积脉搏波（PPG）的机器学习研究，利用神经网络、图论与计算机视觉提取生物特征，实现血压、糖尿病、高血压分期的无创连续检测，并比较血压回归与分类方法，探讨远程rPPG信号提取、数据集扩充及先验知识融合以提升模型泛化能力。
延伸解读
PPG技术从实验室走向日常监测的关键突破
文章汇总的多项研究显示，PPG信号结合机器学习已能实现血压、糖尿病和高血压分期的无创连续检测。其中，基于图论和计算机视觉的框架对仿射变换具有不变性，计算速度快且泛化能力强；远程糖尿病检测装置则验证了连续监测的可行性。这些进展表明，PPG正从单一心率监测向多病种筛查拓展，但实际应用仍需考虑运动伪影、皮肤色素沉着等干扰因素。
血压评估：分类与回归方法的选择逻辑
文章比较了基于PPG的血压回归与分类方法，发现分类模型在个性化后准确度优于回归方法。这意味着在临床或日常监测中，若只需粗略划分血压范围（如正常、偏高），分类方法可能更可取；而回归方法则适用于需要连续精确值的场景。这一结论为不同应用场景下的算法选型提供了依据，但作者也指出分类方法依赖于足够粗略的血压范围分割。
提升模型泛化能力的路径：数据扩充与先验融合
针对深度学习模型易学习训练集特定脉搏波特征的问题，文章提到通过扩充训练数据集的范围和变化性可缓解这一倾向。此外，将PPG相关先验知识（如血吸收变化原理）纳入混合CNN方法，有助于提高心率监测性能。这些策略共同指向一个方向：单纯增加数据量不够，还需在模型设计中融入生理先验，才能让rPPG等技术在跨数据集、跨场景中更稳健。
Q&A
光电容积脉搏波（PPG）信号在无创健康监测中有哪些应用？
PPG信号可用于无创连续检测血压、糖尿病和高血压分期。通过机器学习技术，如神经网络和个性化技术，能提高预测性能。
基于PPG的血压测量中，分类方法和回归方法哪个更好？
在某些场景下，血压分类方法可能比回归方法更可取。分类模型在个性化后准确度优于回归方法，因此在足够粗略的血压范围分割场景下，可以采用分类方法。
如何提高基于深度学习的远程光电容积脉搏波（rPPG）模型的泛化能力？
可以通过扩充训练数据集的范围和变化性来缓解模型倾向于学习训练数据集脉搏波特征的问题，从而提高泛化能力。
PPG信号处理中如何利用图论和计算机视觉？
一种基于图论和计算机视觉算法的PPG信号处理框架对仿射变换具有不变性，计算速度快，并在任务和数据集之间表现出强大的泛化能力，能够提取人体循环系统的各种生物特征。
使用PPG信号和深度学习进行高血压分期分类的效果如何？
使用PPG信号和深度学习模型（AvgPool_VGG-16）对高血压病的不同阶段进行分类，结果表明该方法在分类高血压阶段方面具有高准确度，展示了PPG信号和深度学习模型在高血压诊断和管理方面的潜力。
在基于CNN的心率监测中，先验知识有什么作用？
先验知识有助于提高CNN基于血吸收变化提取生理信号的性能，因此建议今后将先验知识纳入混合CNN方法中进行研究。
