研究人员使用AI和加速度计数据来预测心率同时延长电池寿命

什么的Apple关注和诺基亚脉冲牛有什么共同点?他们都有脉搏血氧仪传感器，使用光电容积描记法(PPG)测量心率，根据血容量的变化，毛细血管的扩张和收缩。它们在某种程度上是准确的，但由于它们是基于光的，因此需要相当大的电量 - 它们会向皮肤发出反射回光电二极管的信号。

一种节省电池的替代方案可能是加速度计，这是智能手机，智能手表和测量非重力加速度的活动跟踪器中常见的传感器。在预印本服务器Arxiv.org 上发表的一篇论文中，飞利浦健康与布里斯托大学的研究人员描述了一种机器学习算法，该算法可以几乎完全从传感器预测心率，从而提高他们所附带的可穿戴设备的电池寿命。

消费者PPG传感器的功耗通常比可穿戴设备中使用的加速度计高5000倍，这是可穿戴技术所需的长电池寿命的一个障碍，”研究人员写道。“由于加速度计普遍存在于任何可能还含有心率传感器的设备中，我们有兴趣考虑将加速作为预测心率的方法。”

他们从参与EurValve项目的测试对象那里获取数据，这是一项针对接受心脏瓣膜置换手术的患者的多年临床研究。每款产品都配有加速度计(电池续航时间为3周)和带有脉搏血氧仪(带有4天电池寿命)的飞利浦健康监测器，并配有定制设计的计算单元 - 智能家居盒装(SHiB) - 安装在他们的家中，接收和处理来自两个可穿戴设备的数据。

研究人员培训了两种机器学习模型。第一个是基线：一个回归模型，完全依赖加速度计的数据，与佩戴者的心率保持一致，并试图预测未来的心率。可以在SHiB单元上运行的第二个模型采用“主动学习”方法，允许它从任一健康监视器中提取数据，具体取决于具体情况。

“该方法将以在线方式从流式加速度计数据预测心率，并能够在需要时通过PPG请求测量真实心率，”该团队写道。

他们采用了一些巧妙的技巧来减少能源消耗。第二个模型学会假设特定的加速模式，如步行或慢跑，表明心率可能会增加，并智能地决定是否使用加速度计数据或脉搏血氧计数据测量心率。

“通常，在主动学习问题中，可以查询样本的标签，特别是对于标签特别有用的数据样本，”该团队写道。“然而，在我们的设置中，这是不可行的，加速度数据不断到达，我们希望始终如一地产生心率估计，并且不可能回顾性地测量心率。”

研究人员评估了三名患者的主动学习模型，每名患者相隔两个月收集了四周的数据。平均绝对误差(MAE，或两个连续变量之间的距离)仅为每分钟2.5到5次心跳，节能效果显着。在一个例子中，当20.25%%的时间查询心率传感器时，MAE为2.89。

这对于健身爱好者和智能手表爱好者来说都是个好消息。