論文名稱：
英文：Classification ofPhotoplethysmographic Signal Quality with Deep Convolution Neural Networks for AccurateMeasurement of Cardiac Stroke Volume
作者：內科部 蘇峻弘 醫師
| 本篇論文發表於Applied Sciences-Basel期刊2020年10, 4612. 全文下載 |
研究目的：
由於光體積描記（PPG）訊號是由許多重要的生理訊息所組成，因此目前已被廣泛用於測量許多生理參數。但是只有質量較高的PPG訊號才能提供可靠的生理評估。不幸的是PPG訊號很容易在錄製過程中被晃動雜訊和基線漂移所破壞。儘管之前的研究中，已經開發了幾種基於規則的算法來評估PPG訊號的質量，但幾乎沒有提出基於人工智慧的算法。因此本研究旨在通過使用兩種二維深度卷積神經網路（DCNN）對PPG訊號的質量進行分類，並使用PPG脈衝透過阻抗心動圖測量心臟搏動量（SV）。從PPG脈衝及其微分脈衝獲得的圖像用作兩個DCNN模型的輸入。
研究結果：
為了量化單個PPG脈衝的質量，我們使用我們的裝置和medis®CS 2000同步測量和計算逐拍心臟搏動量的誤差百分比，並用於確定脈衝質量是高、中還是低。我們招募了十四名受試者，並且總共獲得了3135個PPG脈衝（1342個高質量、73個中等質量和1720個低質量）。我們使用傳統的深度卷積網路VGG-19和深度殘差卷積網路ResNet-50來確定PPG脈衝的質量水平。兩種深度卷積神經網路的結果均優於以前的基於規則方法。 VGG-19和ResNet-50的精度分別為0.895和0.925。
研究貢獻與臨床應用：
所提出的深度卷積神經網路可以應用於PPG質量的分類，並且有助於改善阻抗心動圖中的心臟搏動量測量，提升非侵入性心臟搏動量測量的準確性
