2021年3月25日

研究降低危险职业中心脏病发作和中风的风险

来自skoltech的NTI卓越中心(CoE)的一个团队通过使用标准的可穿戴心率监测器数据，成功地使血压测量更加准确。研究人员开发了基于ML技术和深度神经网络的新算法，这些算法有望用于针对暴露于职业危害和其他风险的个人的紧凑型持续健康监测设备。

血液上升压力这往往会大大增加患心脏问题的风险。医生需要定期监测数据，以便及时诊断血压疾病，如高血压或高血压低血压．血压的突然变化不仅对特定个人的健康构成威胁，而且还会严重影响其他人，例如飞行员、公共汽车司机或火车操作员突然失去意识或心脏病发作或中风。

经典的袖带式血压计(BPM)结构简单，但移动不便。出租车司机或起重机操作员不能使用它进行定期血压检查。另一个指标，心率，可以相当准确地测量使用一个小型的，可穿戴的心率监测器。它的光传感器接收并反射由发光二极管定向到手腕上的光。部分光线穿透皮肤，被动脉中的血液吸收，而其余部分则反射回光传感器。这种方法被称为光容积描记术(PPG)，它利用了动脉中血量与当前脉冲相位之间的依赖性，因为反射光与心脏同步跳动。

使用PPG测量血压的建议由来已久;然而，在医疗应用中，它们需要更高的准确性。最近的进步，如紧凑型传感器和更高的数字信号处理速度，已经产生了可穿戴BPM技术，大量商用紧凑型BPM和具有压力监测功能的智能手表就是证明。

在最近的研究中，由Skoltech教授Dmitry Dylov领导的NTI CoE团队确定了如何在人工智能的帮助下充分利用PPG数据，以减少可穿戴bpm的测量误差。

Dylov表示，这款腕式设备不是测量心率，而是捕捉整个脉搏波，包括所有形状的弯曲、时间延迟，甚至是人眼无法识别但人工智能神经网络可以检测到的抽象特征。“该波形包含了大量经典信号处理方法无法捕捉到的有用数据。与其他紧凑型bpm相比，我们的方法能够更准确地计算和显示血压数据，”Dylov解释道。

该团队使用实验室传感器读数和广泛的公开数据来训练神经网络。“我们也感谢我们的合作伙伴，国家心脏病中心，根据与Skoltech的协议共享有用的ECG数据，”Dylov指出。

该团队对现有的PPG数据分析方法进行了广泛的分析研究，这有助于研究人员了解它们的局限性，并为新发明找到一个利基市场，最终创建了一套新的算法。“现在，我们正试图针对不同的数据集和设备调整我们的算法。此外，我们还生产了一个可穿戴BPM的功能原型，用于实验室测试和软硬件交互检查，”该项目的总工程师Evgeny Borisov说。

“我们热衷于确保我们的算法尽可能与设备和软件环境兼容。毕竟，只有精心设计的多用途算法才能在竞争中保持领先。任何智能手表用户都会很容易理解血压屏幕上的读数，即使设置可能有所不同。例如，测量可以在特定的时间间隔或按需进行，而结果可以存储在设备中，发送给医生或诊所，这取决于设备将成为数字平台或标准的一部分，”Dylov说。