研究人员开发了一种名为交叉视图注意力融合网络（CVAF-Net）的新型深度学习模型，用于从短时光电容积脉搏波（PPG）信号估算心输出量（CO）。该模型处理原始PPG数据和源自生理先验的特征序列图（FSM），并使用交叉视图注意力融合它们。CVAF-Net在多个数据集上表现出强大的性能，在模拟数据上实现了0.19 L/min的平均绝对误差，并且优于几种基准方法。值得注意的是，与现有的基于Transformer的模型相比，它在计算效率上显著更高，将浮点运算次数（FLOPs）减少了十二倍，同时保持了高精度和生理一致性。 AI
影响 这种新颖的深度学习方法为连续、基于可穿戴设备的连续心输出量监测提供了一种计算效率更高的方法。
排序理由 该集群包含一篇详细介绍新模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
