非侵入式血压预测技术文档：基于PPG与rPPG信号的深度学习方法

非侵入式血压预测技术文档：基于PPG与rPPG信号的深度学习方法

non-invasive-bp-estimation-using-deep-learning Assessment of non-invasive blood pressure prediction from PPG and rPPG signals using deep learning 项目地址: https://gitcode.com/gh_mirrors/no/non-invasive-bp-estimation-using-deep-learning

概述

本项目实现了一篇论文中的方法——《使用深度学习评估非侵入性血压从PPG和rPPG信号预测》[1]，该文发表在《传感器特刊“无接触传感器在医疗保健中的应用”》中。项目提供了下载MIMIC-II数据库数据、数据预处理以及训练神经网络以进行基于PPG/rPPG的血压预测所需的脚本。

该项目要求Tensorflow 2.4.1和Python 3.8环境，并且可以自命令行执行。

如果您在研究中使用了此仓库，请考虑引用以下论文：

@inproceedings{schrumpf2021assessment,
  title={Assessment of deep learning based blood pressure prediction from PPG and rPPG signals},
  author={Schrumpf, Fabian等},
  booktitle={CVPR会议论文集},
  year={2021}
}

---

安装指南

虚拟环境创建

首先，确保您已安装virtualenv工具，通过命令安装它：

pip install virtualenv

然后，创建一个使用Python 3.8的虚拟环境：

virtualenv --python=/usr/bin/python3.8 venv

激活虚拟环境：

source venv/bin/activate

最后，安装项目依赖：

pip install -r requirements.txt

---

使用说明

项目执行流程

1. 下载MIMIC-III数据：使用download_mimic_iii_records.py下载所需记录。
2. 数据预处理：运行prepare_MIMIC_dataset.py对数据进行预处理并划分窗口。
3. 转换为TFRecord格式：通过h5_to_tfrecord.py将处理后的数据分割成训练、验证和测试集，并转换为TFRecord格式。
4. 神经网络训练：利用ppg_train_mimic_iii.py训练基于PPG的数据预测模型。
5. 模型个性化：采用ppg_personalization_mimic_iii.py对特定个体数据进行模型微调。
6. rPPG个性化调整：通过retrain_rppg_personalization.py进一步微调模型以适应rPPG数据。

数据集和模型获取

数据集及预先训练的模型可以从Zenodo处下载。

---

API使用文档

本项目未明确提供API接口，但各脚本通过参数调用实现功能，具体操作遵循上述使用说明的步骤指导。

---

项目安装方式

• 环境配置: 已在安装指南部分详细说明。
• 执行脚本: 在虚拟环境中，直接调用相应脚本文件，并按其提供的命令行参数执行。

---

示例脚本调用

下载数据示例：

python3 download_mimic_iii_records.py -i MIMIC-III_ppg_dataset_records.txt -o ./mimic_downloads

数据准备示例：

python3 prepare_MIMIC_dataset.py -d ./mimic_downloads -o dataset.h5

请注意，根据具体需求调整以上命令的参数和路径。

---

引用

1. Schrumpf, F., Frenzel, P., Aust, C., Osterhoff, G., & Fuchs, M. (2021). CVPR 会议论文集.

请按照实际需求，参考这些步骤和指令来执行项目，进行血压预测的相关研究与实验。

non-invasive-bp-estimation-using-deep-learning Assessment of non-invasive blood pressure prediction from PPG and rPPG signals using deep learning 项目地址: https://gitcode.com/gh_mirrors/no/non-invasive-bp-estimation-using-deep-learning