Исследователи представили легковесную гибридную модель машинного обучения для оценки артериального давления без использования манжеты. Система анализирует данные ЭКГ и фотоплетизмограммы (PPG) с ушной раковины, позволяя определять показатели по одному сердечному циклу. Метод решает проблему нестабильности измерений при движении, характерную для традиционных моделей, основанных на времени прохождения пульсовой волны.

Традиционные методы мониторинга давления часто требуют анализа сигналов длительностью в несколько секунд, что делает их уязвимыми к артефактам движения и физиологической вариативности. Новый подход минимизирует зависимость от длительных временных окон, обеспечивая высокую точность в динамических условиях. Это открывает возможности для внедрения систем непрерывного контроля здоровья в носимые устройства нового поколения.

Архитектура модели сочетает в себе методы глубокого обучения для извлечения признаков из сырых данных и специализированные алгоритмы обработки сигналов. Такой подход снижает вычислительную нагрузку, позволяя запускать алгоритм на аппаратном обеспечении с ограниченными ресурсами, что критически важно для интеграции в компактные носимые гаджеты.

Ключевые факты

  • Разработан гибридный фреймворк для оценки давления по одному сердечному циклу (Single-Beat).
  • В качестве входных данных используются сигналы ЭКГ и ушной фотоплетизмограммы (Ear-PPG).
  • Модель демонстрирует повышенную устойчивость к артефактам движения по сравнению с классическими методами PTT.
  • Легковесная архитектура оптимизирована для работы на носимых устройствах с ограниченными вычислительными мощностями.