---
tags: 論文-技術類
---

# PPG2ABP: Translating Photoplethysmogram (PPG) Signals to Arterial Blood Pressure (ABP) Waveforms using Fully Convolutional Neural Networks
> Deep-Learning based
> UNet

## 名詞介紹
Diastolic Blood Pressure (DBP) = min(ABP)
Systolic Blood Pressure (SBP) = max(ABP)
Mean Arterial Pressure (MAP) = mean(ABP)

## 問題分析
==**這是一個 Regression 的題目！！**==

## Pipeline
1. Input PPG signal
2. Preprocess PPG Signal
- preprocessing
3. Approximate ABP Waveform
- Approximation Network

4. Redifined ABP Waveform
- Refinement Network
- SBP, DBP, MAP calculation

## Dataset
==from MIMIC-III, 總共741.53小時==
==sampling rate = 125HZ==
下表是dataset裡的血壓分析
**作者說他們把一大段訊號切成以8.192秒為一單位。**
train set: 100,000筆
test set: 27,260筆
作者說：使我們能夠訓練足夠深的神經網絡，而不會受到大量計算複雜性的影響

## Preprocessing
資料集的訊號已經大致上處理好了，
在這階段主要處理小波去噪(soft Rigrsure thresholding)，把極端值去掉(0~25hz and 250~500hz)

## Approximate Network
==Approximate Network is a one-dimensional deeply supervised U-Net model==

UNet原本是設計給圖像進行語意分析，但預測血壓是一維的task
所以把 two-dimensional 的 convolution, pooling 和 upsampling 替換成一維相對應的 function
為了產生 regression output，最後的捲積層替換成 linear activation。
另外，作者特別使用Deep supervision這個技術，
作者提到這是一種被證明可以通過指導隱藏層的學習過程來減少整體錯誤的技術。
(Deep supervision 之後再深入研究)
在decoder裡的每個upsampling時，計算出的中間樣本是實際輸出訊號的二次採樣版本，隨著我們深入模型，損失是通過逐漸下降的權重來計算的。這些輔助損失驅動隱藏層的訓練並使最終輸出更加優越。


## Refinement Network
==作者提到：因為 Approximation Network 的輸出有時候會偏離目標很多，所以需要另外再增加這個Network==

==Approximate Network is a one-dimensional MultiResUNet model==
==An improved version of the U-Net model==

這個模型與 Approximate Network 類似，但沒有用 deep supervised 技術


## Selection of Loss Functions

作者提到：
他們發現使用 MAE 作為 loss function 會顯著提升 performance，在檢查 samples 和 outputs 之後，他們認為在 Approximate Network 的階段，目標是取得波型的粗略估計，因此對於整個誤差範圍給予相同的權重就可以了，但 MSE 對誤差項進行平方，誤差越大受到的懲罰越多。
在這個階段，關於輸出波形的信息很少；強調消除較大的誤差項會降低整體性能。因此選擇MAE最合適。

相較之下，在 Refinement Network 階段時，我們已經有粗略的波型了，選擇使用 MSE，會使得誤差會更好減少。

## Result