摘要

从光体积描记法（PPG）信号中准确提取心率仍然具有挑战性，主要是由于运动伪影和信号退化的影响。尽管作为数据驱动推理问题训练的深度学习方法提供了有前景的解决方案，但它们通常未能充分利用医学和信号处理领域的现有知识。在本文中，我们针对深度学习模型的三个不足之处进行了改进：运动伪影去除、信号退化评估以及生理学上合理的PPG信号分析。为此，我们提出了KID-PPG，一种基于知识引导的深度学习模型，通过自适应线性滤波、深度概率推断和数据增强集成了专家知识。我们在PPGDalia数据集上对KID-PPG进行了评估，实现了平均每分钟2.85次心跳的平均绝对误差，超过了现有的可复现方法。我们的结果表明，通过将先验知识融入深度学习模型，可以显著提高心率跟踪的性能。这一方法展示了在各种生物医学应用中通过在深度学习模型中整合现有专家知识来提升性能的巨大潜力。