降低危险职业中心脏病发作和中风风险的研究

基于Skoltech的NTI卓越中心（COE）的团队通过使用标准的可穿戴心率监测数据成功地使血压测量更准确。研究人员基于ML技术和深度神经网络开发了新颖的算法，该算法对于旨在暴露于职业危害和其他风险的个人的紧凑持久性健康监测设备具有很多承担的承担。

热血沸腾压力通常没有注意到急剧增加心脏问题的风险。医生需要定期监测数据来及时诊断血压障碍，如高或低血压。血压的突然变化不仅对特定个人的健康构成威胁，而且如果例如飞行员，公交车司机或火车驾驶员突然失去意识或心脏病发作或中风，也可能严重影响其他人。

一个经典的袖口血压计(BPM)是简单的，但不够灵活。出租车司机或起重机操作员不能用它来定期检查血压。另一个指标，心率，可以相当准确地测量使用一个小型，可穿戴的心率监视器。它的光传感器通过发光二极管接收并反射指向手腕上的光。一部分光穿透皮肤并被动脉中的血液吸收，而其余部分反射回光传感器。该方法称为光学溶血（PPG），使用动脉和电流脉冲相之间的血量与电流脉冲相之间的依赖性，因为反射光与心脏同步。

长期以来，人们一直建议使用PPG测量血压;然而，医疗应用需要更高的准确性。最近的进步，如紧凑型传感器和更高的数字信号处理速度，导致了可穿戴BPM技术，这从大量的商业紧凑型BPM和具有压力监测功能的智能手表中就可以得到证明。

在最近的一项研究中，由Skoltech教授Dylov领导的NTI Coe团队决定了如何通过AI获得最佳使用PPG数据，以减少可穿戴BPMS中的测量误差。

根据Dylov，代替测量心率，腕部装置捕获整个脉冲波，包括其形状，时间延迟，甚至摘要特征，甚至是人眼不可辨认的摘要特征，而是通过AI神经网络可检测到。“此波形包含大量的有用数据，可以通过经典信号处理方法捕获。与其他紧凑型BPM相比，我们的方法能够更准确地计算和显示血压数据，”Dylov解释说。

该团队使用他们的实验室传感器读数和广泛的公开数据来训练神经网络。“我们也感谢我们的合作伙伴，国家心脏病中心，在与Skoltech达成协议的情况下分享有用的心电图数据，”Dylov说。

该团队对现有的PPG数据分析方法进行了广泛的分析研究，帮助研究人员了解其局限性，为新发明找到合适的位置，并最终创建了一套新的算法。“现在，我们正试图针对不同的数据集和设备调整我们的算法。此外，我们还制作了一个可穿戴BPM的功能原型，用于实验室测试和软硬件交互检查，”项目总工程师叶夫根尼·鲍里索夫说。

“我们希望确保我们的算法尽可能与设备和软件环境兼容。毕竟，只有有意识的通用算法才能在竞争中保持领先。任何智能手表用户都会很容易理解血压屏幕上的读数，即使设置可能不同。例如，测量可以在特定的时间间隔或按需进行，而结果可以存储在设备中，发送给医生或诊所，这取决于该设备将成为数字平台或标准的一部分，”Dylov说。