《基于智能手机采集的PPG信号预测血管老化》阅读笔记

目录

一、论文摘要

二、论文十问

Q1: Q1论文试图解决什么问题？

Q2: 这是否是一个新的问题？

Q3: 这篇文章要验证一个什么科学假设？

Q4: 有哪些相关研究？如何归类？谁是这一课题在领域内值得关注的研究员？

Q5: 论文中提到的解决方案之关键是什么？

Q6: 论文中的实验是如何设计的？

Q7: 用于定量评估的数据集是什么？代码有没有开源？

Q8: 论文中的实验及结果有没有很好地支持需要验证的科学假设？

Q9: 这篇论文到底有什么贡献？

Q10: 下一步呢？有什么工作可以继续深入？

三、论文亮点与不足之处

四、与其他研究的比较

五、实际应用与影响

六、个人思考与启示

参考文献

---

一、论文摘要

通过智能手机测量的光电容积描记法（PPG）具有大规模、非侵入式和易于使用的筛查工具潜力。血管老化与动脉硬化增加有关，可以通过PPG测量。我们研究了使用PPG预测健康血管老化（HVA）的可行性，基于两种方法：机器学习（ML）和深度学习（DL）。我们对原始PPG信号进行了数据预处理，包括去趋势、解调和去噪。对于ML，将岭回归惩罚应用于从PPG中提取的38个特征；而对于DL，将多个卷积神经网络（CNN）应用于整个PPG信号作为输入。使用群体来源的Heart for Heart数据进行了分析。ML使用两个特征（AUC为94.7%）- 二阶导数PPG的a波和tpr，包括四个协变量：性别、身高、体重和吸烟- 预测性能与表现最佳的CNN，12层ResNet（AUC为95.3%）类似。在没有DL的重计算成本的情况下，ML可能在寻找潜在的HVA预测生物标志物方面具有优势。整个过程的工作流程描述清晰，已提供开放软件以便复制结果。

图1 使用机器学习和深度学习方法预测健康血管老化（HVA）的PPG分析工作流程

 

图2 PPG预处理：（从上到下）原始信号、去趋势信号、解调和去噪的干净信号

 

图3 PPG提取的38个特征、四个协变量和年龄之间的皮尔逊相关热图：特征a和年龄呈负相关，而tpr和年龄呈正相关。

 

图4 通过谱嵌入对38个PPG特征进行降维：左图显示了前两个成分，而右图显示了前三个成分。

 

图5 用于预测健康血管老化（HVA）的竞争模型的接收者操作特征（ROC）曲线：四个协变量包括性别、体重、身高和吸烟。

 

图6 性别分层分析预测血管年龄：模型a + tpr +协变量分别对男性和女性预测的年龄进行局部加权散点平滑（LOWESS）。右侧图表显示，女性的平均预测年龄始终低于男性，表明女性血管老化更健康。此外，对于女性，在50岁左右的趋势斜率减小（在中间面板中显示）。

 

二、论文十问

Q1: Q1论文试图解决什么问题？

A1: 本论文试图探索使用智能手机获取PPG信号作为一种大规模、非侵入性和易于使用的筛查工具，以预测健康血管老化。

Q2: 这是否是一个新的问题？

A2: 是的，这是一个新的问题。

Q3: 这篇文章要验证一个什么科学假设？

A3: 本文要验证使用PPG信号可以预测健康血管老化。

Q4: 有哪些相关研究？如何归类？谁是这一课题在领域内值得关注的研究员？

A4: 相关研究包括使用PPG信号进行心率变异性分析、使用PPG信号进行房颤筛查等。这些研究可以归类为基于PPG信号的生物特征识别和筛查。在这一领域内值得关注的研究员包括Folkert W. Asselbergs和Hae-Won Uh等。

Q5: 论文中提到的解决方案之关键是什么？

A5: 论文中提到的解决方案之关键是使用机器学习和深度学习方法对PPG信号进行分析，以预测健康血管老化。

Q6: 论文中的实验是如何设计的？

A6: 实验分为两个部分：第一部分使用机器学习方法对PPG信号进行分析，以预测健康血管老化；第二部分使用深度学习方法对PPG信号进行分析，以预测健康血管老化。

Q7: 用于定量评估的数据集是什么？代码有没有开源？

A7: 用于定量评估的数据集是来自智能手机的PPG信号，包括来自健康人和患有心血管疾病的人。代码已在GitHub上开源。

Q8: 论文中的实验及结果有没有很好地支持需要验证的科学假设？

A8: 是的，论文中的实验及结果表明使用PPG信号可以预测健康血管老化，从而很好地支持了需要验证的科学假设。

Q9: 这篇论文到底有什么贡献？

A9: 这篇论文提出了一种新方法，即使用智能手机获取PPG信号作为一种大规模、非侵入性和易于使用的筛查工具，以预测健康血管老化。此外，本文还展示了机器学习和深度学习方法在分析PPG信号方面的潜力。

Q10: 下一步呢？有什么工作可以继续深入？

A10: 下一步可以进一步探索使用PPG信号进行其他生物特征识别和筛查，并进一步优化机器学习和深度学习方法以提高预测准确性。此外，还可以考虑将该方法应用于更大规模、多样化的人群中进行验证。

三、论文亮点与不足之处

本文的亮点在于提出了一种新方法，即使用智能手机获取PPG信号作为一种大规模、非侵入性和易于使用的筛查工具，以预测健康血管老化。此外，本文还展示了机器学习和深度学习方法在分析PPG信号方面的潜力。实验设计合理，结果准确性高。不足之处在于实验数据集较小，需要进一步扩大样本量以验证结果的泛化能力。

四、与其他研究的比较

与其他相关研究相比，本文提出了一种新方法，并且使用机器学习和深度学习方法对PPG信号进行分析，以预测健康血管老化。这使得该方法具有更高的准确性和可靠性，并且可以应用于更广泛的人群中进行筛查。

五、实际应用与影响

该论文的研究成果可以应用于大规模、非侵入性和易于使用的筛查工具中，以预测健康血管老化。这将有助于早期发现心血管疾病，并采取相应措施进行干预和治疗。

六、个人思考与启示

本文的研究成果对我在生物特征识别和筛查方面的研究方向产生了启示。此外，在阅读过程中，我还注意到了机器学习和深度学习方法在分析PPG信号方面的潜力，这将有助于我在未来的研究中更好地应用这些方法。

参考文献

Dall’Olio, L., Curti, N., Remondini, D. et al. Prediction of vascular aging based on smartphone acquired PPG signals. Sci Rep 10, 19756 (2020). https://doi.org/10.1038/s41598-020-76816-6