Attractor Image-Based Deep Learning of Arterial Pulse Waves for Age Classification
作者: Sara Vardanega, Patrick Segers, Philip Aston, Ernst Rietzschel, Jordi Alastruey, Manasi Nandi
分类: cs.LG
发布日期: 2026-08-12
备注: Accepted at Computing in Cardiology 2025, published in conference proceedings. 8 pages, 2 figures
💡 一句话要点
提出基于吸引子图像的深度学习方法以进行动脉脉搏波年龄分类
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 脉搏波分析 深度学习 年龄分类 心血管健康 卷积神经网络 智能可穿戴设备 数据转化
📋 核心要点
- 现有的脉搏波分析方法在年龄分类上存在局限性，尤其是在健康个体之间的微小差异难以识别。
- 本文提出通过对称投影吸引子重建（SPAR）将脉搏波时间序列数据转化为图像，以便利用卷积神经网络进行分类。
- 实验结果显示，模型在两个年龄组的分类任务中F1分数均超过70%，表明SPAR图像具有良好的区分能力。
📝 摘要（中文）
动脉脉搏波形态随着年龄的变化而演变，反映了心血管系统的结构和功能变化。因此，血管年龄是心血管健康的重要替代标志，提前的血管老化可能表明增加的疾病风险。脉搏波分析可以支持对无症状成人的风险分层。本文将光电容积描记法（PPG）和动脉压测量法的脉搏波时间序列数据转换为图像，采用对称投影吸引子重建（SPAR）方法。这些SPAR图像用于训练卷积神经网络，将健康受试者分类为两个相近的年龄组（35-40岁和50-55岁）。该模型在内部和外部测试集上表现出一致的分类性能，PPG和动脉压信号的F1分数均超过70%。这些结果表明，SPAR衍生的脉搏波图像即使在年龄接近的健康成年人中也包含可区分的形态特征。此概念验证为未来利用SPAR进行早期风险检测的研究奠定了基础。
🔬 方法详解
问题定义：本文旨在解决现有脉搏波分析方法在健康个体年龄分类中的不足，尤其是对年龄接近的个体分类性能较差的问题。
核心思路：通过将脉搏波时间序列数据转化为图像，利用卷积神经网络进行深度学习分类，旨在提取脉搏波的形态特征以实现更准确的年龄分类。
技术框架：整体流程包括数据采集（PPG和动脉压信号）、数据预处理（使用SPAR方法生成图像）、模型训练（卷积神经网络）和性能评估（通过F1分数等指标）。
关键创新：最重要的创新在于将脉搏波时间序列数据转化为图像形式，使得卷积神经网络能够有效提取形态特征，这一方法与传统的时间序列分析方法有本质区别。
关键设计：在模型设计中，采用了特定的损失函数以优化分类性能，并对卷积神经网络的层数和参数进行了精细调整，以确保在两个年龄组之间的高效分类。
🖼️ 关键图片
📊 实验亮点
实验结果表明，使用SPAR生成的脉搏波图像在年龄分类任务中表现优异，PPG和动脉压信号的F1分数均超过70%。该模型在内部和外部测试集上均表现出一致的分类性能，验证了方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括智能可穿戴设备的健康监测，尤其是在心血管健康管理方面。通过早期识别血管老化风险，能够为用户提供个性化的健康建议，降低心血管疾病的发生率，具有重要的实际价值和社会影响。
📄 摘要（原文）
Arterial pulse waveform morphology evolves with age, reflecting structural and functional changes in the cardiovascular system. Thus, vascular age is a valuable surrogate marker of cardiovascular health, and premature vascular ageing can indicate increased disease risk. Pulse wave analysis could support risk stratification in otherwise asymptomatic adults. We transformed pulse wave time-series data from photoplethysmography (PPG) and arterial tonometry into images, using the Symmetric Projection Attractor Reconstruction (SPAR) method. These SPAR images were used to train a convolutional neural network to classify healthy subjects into two closely spaced age groups (35-40 and 50-55 years). The model demonstrated consistent classification performance across internal and external test sets, achieving F1 scores above 70% for both PPG and tonometry signals. These results suggest that SPAR-derived pulse wave images contain discriminative morphological features even among healthy adults close in age. This proof-of-concept lays the groundwork for future research into the use of SPAR for early risk detection using smart wearables.