photoplethysmogram
PulseAugur coverage of photoplethysmogram — every cluster mentioning photoplethysmogram across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的蒸馏方法教会PPG模型追踪生理状态而非身份
一篇新的研究论文提出了一种名为固定效应蒸馏（Fixed-Effects Distillation）的方法，以改进光电容积脉搏波描记图（PPG）模型从心电图（ECG）数据中学习的方式。当前的方法通常侧重于识别个体特征（“谁”）而不是追踪生理变化（“如何”）。所提出的技术通过减去个体均值，有效地消除了个人特征，使模型能够更好地学习个体内部的心血管状态变化，这对于可穿戴健康监测至关重要。
-
华为WATCH D3发布，搭载创新“轻扰动”血压监测
华为发布了新款WATCH D3智能手表，该手表专注于先进的健康监测，尤其侧重于血压管理。该设备采用创新的“轻扰动动态血压研究”方法，结合示波法和光电容积脉搏波描记法（PPG）技术，以最小的用户干扰来追踪血压趋势。除了血压监测，WATCH D3还提供全面的健康追踪功能，包括心电图分析、睡眠呼吸暂停检测以及高尿酸和冠心病等疾病的风险评估，使其成为一款多功能的健康管理工具。
-
新的混合AI框架改进了个性化血压估计
研究人员开发了一种使用光电容积脉搏波描记法（PPG）信号估计血压的新混合框架。该方法结合了卷积神经网络（CNN）和先验形态学分支，以同时捕捉波形动态和个体血管特征。该方法旨在提高个性化水平并减少对大型数据集的依赖，在MIMIC-III数据库上实现了更高的准确性，收缩压的平均绝对误差为3.77 mmHg，舒张压为2.36 mmHg。使用SHAP的可解释性分析证实，形态学特征与个体血管特征一致，增强了可解释性。
-
AI模型利用PPG数据预测院内卒中风险
研究人员开发了一种利用光电容积脉搏波图（PPG）衍生的血流动力学特征来分类院内卒中风险状态的方法。通过分析住院期间发生卒中的患者的连续监测数据，该研究利用了LLM辅助管道从临床笔记中识别卒中锚点。在PPG数据上训练了一个ResNet-1D分类器，在两个不同的患者队列中，在不同的预测时间范围内均取得了较高的F1分数和AUC。与传统的临床和EHR比较器相比，PPG模型表现出优越的性能，尽管研究结果是回顾性的，并未建立临床警报或经过验证的预测提前期。
-
Apple Watch 更新健康传感系统，配备新型心率传感器
Apple 发布了其 Apple Watch 的新型健康传感系统，集成了增强的光学和电学心率传感器。该系统利用光电容积脉搏波描记法 (PPG) 技术和先进的信号处理算法。这项技术驱动的新功能包括恢复 HRV 和就绪度应用程序，手表现在每五秒监测一次心率。
-
SKG健康携手北京协和医院，共研睡眠呼吸暂停检测技术
SKG健康与北京协和医院签署合作协议，共同研发用于检测睡眠呼吸暂停的算法。该研究将涉及三家顶级医院的多中心临床验证，并以多导睡眠图（PSG）数据作为算法校准的金标准。SKG智能手表配备了4通道PPG传感器，旨在通过集成AI驱动的系统，实现超越简单检测和通知的功能，该系统将向用户和联系人发出警报，形成一个闭环干预过程。
-
新框架通过自适应资源分配增强心血管传感
研究人员开发了一个名为生理信息可靠性（PIR）的新框架，以提高心血管传感系统的准确性和效率。PIR采用上下文老虎机方法，根据信号质量、无线条件、能量水平和计算约束来调整传感和通信决策。该框架集成了心电图（ECG）和光电容积脉搏波描记图（PPG）信号质量估计与自适应网络编码层。实验表明，与传统方法相比，PIR-LinUCB在保持医疗延迟和性能的同时，降低了能耗。
-
相机rPPG的准确性因生理属性和观测条件而异
一篇新的研究论文探讨了与接触式光电容积脉搏波描记法（PPG）相比，从相机衍生的远程光电容积脉搏波描记法（rPPG）中恢复生理属性的可能性。该研究使用了多域移动视频生理数据集，发现虽然rPPG可以实现合理的心率终点准确性，但其他生理属性在逐次记录的基础上并不总是得到保留。光照和运动等因素显著影响准确性，肤色较深的人群差异更大。研究强调，可恢复性是特定于属性的，并且依赖于观测条件，这表明群体层面的合理性并不保证个体记录的保留。
-
CardioFusion-AI 框架增强了 ECG-PPG 融合，实现了鲁棒的生理监测
研究人员开发了 CardioFusion-AI，一个用于融合心电图 (ECG) 和光电容积脉搏波图 (PPG) 信号的新型框架，以实现更鲁棒的生理监测。该系统旨在克服 ECG 和 PPG 传感器各自的脆弱性，这些传感器容易受到运动伪影或接触不良等因素造成的信号退化。该框架采用了先进的信号处理技术，包括 R 波峰和收缩峰检测、信号质量指数以及脉搏传导时间估计，在各种退化场景下均显示出更高的准确性。
-
新的P2E-VQ框架通过ECG链接表征增强PPG数据
研究人员开发了P2E-VQ，一个新颖的框架，通过链接心电图（ECG）信息来增强光电容积脉搏波图（PPG）数据。P2E-VQ不试图从PPG重建ECG信号，而是将PPG片段转换为离散令牌，并从内存库中检索相关的ECG链接表征。该方法在推理时无需ECG信号即可增强PPG数据，并在包括临床终点预测和情感状态识别在内的各种下游任务中，与现有的预训练模型相比，表现出卓越的性能。
-
三星 AI 模型实现实时智能手表心脏诊断
Samsung Research America 推出了两款新的人工智能模型 xMAE 和 HiMAE，专为在设备上解读心电图 (ECG) 和光电容积脉搏波描记法 (PPG) 数据而设计。这些模型能够直接在智能手表上进行高级心脏诊断，处理信息的时间不到一毫秒。这项创新旨在超越被动健康追踪，实现更积极、实时的医疗洞察。
-
三星发布用于可穿戴健康数据分析的AI模型
三星研究（美国）开发了两个AI基础模型，xMAE和HiMAE，旨在分析可穿戴设备中的生物信号数据。这些模型利用自监督学习从无标签的健康数据中提取见解，目标是支持连续、个性化和预防性的医疗保健。xMAE专注于光电容积脉搏波（PPG）和心电图（ECG）信号之间的时间关系，通过被动PPG测量实现心血管健康分析。HiMAE学习可穿戴数据中跨越不同时间尺度的健康模式，从而在资源有限的情况下实现设备端处理。
-
CardioState-JEPA 整合心电图、光电容积脉搏波和心音图，实现统一的心脏表示
研究人员开发了 CardioState-JEPA，这是一种新颖的基础模型，旨在通过整合心电图 (ECG)、光电容积脉搏波 (PPG) 和心音图 (PCG) 的数据来学习统一的心脏表示。该模型利用一种生理感知联合嵌入预测架构来预测掩蔽的潜在心脏状态，并明确考虑了跨模态延迟。当作为冻结编码器进行评估时，CardioState-JEPA 在所有三种模态的下游分类任务上显著提高了性能，优于现有的自监督基线。
-
新的ProtoMM框架增强了自监督多模态生物信号学习
研究人员推出ProtoMM，一个旨在改进多模态时间序列数据（尤其是在生物信号领域）建模的新型自监督学习框架。与可能过度拟合易于对齐特征的现有方法不同，ProtoMM利用共享原型字典将异构模态锚定到共同的嵌入空间中。该方法旨在捕捉不同信号（如光电容积脉搏波（PPG）和加速度计）之间的互补信息，从而创建更连贯的表示。该框架在分析生理信号方面，与仅对比学习和先前多模态SSL方法相比，表现更优。
-
新的AI框架通过详细信号分析提高睡眠分期准确性 · 跟踪2个来源
研究人员正在开发自动睡眠分期的先进方法，超越传统的30秒周期分析。一种方法利用隐半马尔可夫模型将粗略的周期标签转换为秒级注释，通过利用睡眠阶段边界附近的细微信号变化来提高准确性。另一种方法SWINSleepNet采用分层、上下文感知的框架，同时使用时域EEG信号和时频变换以及Swin Transformer来捕捉精细的时间细节和长距离依赖关系，在具有挑战性的睡眠阶段和转换方面表现出改进的性能。
-
研究发现：PPG血糖模型未能通过现实世界测试
一个用于基于光电容积脉搏波描记图（PPG）的无创血糖水平估算的新评估流程，揭示了模型性能的显著高估。当使用更严格的、考虑参与者的协议进行测试时，五种代表性的基于PPG的方法显示出接近零或负的R²值，与简单的平均预测基线相当。尽管超过90%的预测在Clarke误差网格中处于临床可接受的区域内，但这一指标掩盖了模型泛化能力的不足，突显了标准的机器学习评估与实际临床效用之间存在严重脱节。
-
Cardiologent：多智能体AI系统辅助心律失常评估和管理
研究人员开发了Cardiologent，一个多智能体临床决策支持系统，旨在评估患者级别的心律失常、紧急程度和管理。与以往专注于单一心电图读数或预先检测到的心律失常的系统不同，Cardiologent整合了包括心电图和光电容积脉搏波图在内的多种信号数据。该系统通过检索临床指南进行推理，提供可审计的决策，在综合诊断、临床意义和紧急程度方面优于心脏病专家和LLM（大型语言模型）裁判。
-
新AI模型利用PPG信号筛查主动脉瓣疾病
研究人员开发了一种新颖的生理信号引导的自监督学习（PG-SSL）方法，利用光电容积脉搏波描记法（PPG）信号来筛查主动脉瓣疾病（AVD）。该方法利用了来自UK Biobank的约17万条未标记的PPG记录，根据与主动脉瓣狭窄和反流相关的波形表型构建伪标签。在小型标记数据集上进行微调后，该模型在主动脉瓣狭窄上的AUROC为0.8025，在主动脉瓣反流上的AUROC为0.7669，展示了其在低成本、可扩展的AVD筛查方面的潜力。
-
新研究表明，直接PPG信号在可穿戴血压监测方面更优
两篇新研究论文探讨了使用可穿戴传感器估算血压的方法，重点关注光电容积脉搏波图（PPG）和心电图（ECG）信号。第一篇论文提出了一种轻量级的混合学习框架，结合了单次搏动PPG嵌入和生理特征来进行无袖带血压估算，收缩压的平均绝对误差为4.02 mmHg，舒张压为1.79 mmHg。第二项研究分析了MIMIC-III数据库，发现PPG信号与血压的生理相关性比ECG信号更强，表明直接的PPG到血压预测管道对于可穿戴设备更有效，达到了英国高血压…
-
生物调谐眼镜：隐形生物反馈界面利用边缘AI自适应环境
研究人员正在开发生物调谐眼镜（Bio-Tuning Glasses），这是一个实验性概念，旨在构建一个隐形生物反馈界面，根据用户的生理状态来调整其环境。与通常通知用户健康指标的可穿戴设备不同，这款眼镜旨在微妙地干预和修改环境，例如调整视觉刺激，而无需用户直接交互。该系统采用三层AI架构，包括用于即时响应的设备端边缘AI、用于情境自适应的智能手机以及用于长期学习和个性化的云端AI。