全球有13亿人被诊断患有高血压，每年有大约1000万人死于高血压。预防心血管疾病和动脉疾病的风险，有必要拥有有益于心脏健康的生活方式。然而，高血压的初期症状并不明显，因此定期监测血压至关重要。光电体积描记法（PPG）是一种检测血液循环变化的光学方法，常用于心率测量和血流监测。为了对高血压进行分类，研究人员创建了一个包含219名患者的数据集，每位患者在三个不同的时间段采集PPG信号，总共657个PPG信号，每个PPG信号2100个采样点。
数据集中的PPG信号被分为4个高血压阶段，包括246个正常、255个高血压前期、99个一期高血压和57个二期高血压。研究人员使用移动平均法对PPG信号进行平滑处理，并展示了不同高血压阶段的PPG波形图。为了对这些高血压阶段进行分类，研究人员提出了几种机器学习方法，包括AlexNet、ResNet-50、VGG-16和新的模型AvgPool_VGG-16。
AlexNet是一种深度卷积神经网络，由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton在2012年提出。ResNet-50是一种深度神经网络架构，基于残差学习的思想，由研究人员Kaiming He、XiangyuZhang、Shaoqing Ren和Jian Sun于2015年提出。VGG-16由Visual Geometry Group组的Simonyan和Zisserman提出，其在ImageNet图像分类与定位挑战赛中取得了优异成绩。在这些模型中，研究人员发现AvgPool_VGG-16模型采用平均池化取得了最佳结果，准确率为80%，F1分数为0.77。
研究人员还展示了不同模型在测试数据集上的结果，指出了各自的优劣。最终，他们得出结论，平均池化是比最大池化更适合信号图像分类的池化技术，对于信号图像分类任务的选择具有重要意义。这一研究结果为高血压阶段的分类提供了有益的参考，有望在未来的医疗诊断和预防中发挥重要作用。
标签：游戏攻略
