基于深度学习的人体低氧状态识别

作者：于露; 金龙哲^*; 王梦飞; **伟

来源：工程科学学报, 2019, 41(06): 817-823.

DOI：10.13374/j.issn2095-9389.2019.06.014

• 有限空间
• 低氧伤害
• 光电容积脉搏波
• 深度学习
• 状态识别

通过低氧实验提出一种快速识别人体低氧状态的方法.通过搭建深层神经网络训练实验数据识别氧气体积分数(16%～21%)与人体可耐受极端低氧气体积分数(15. 5%～16%)条件下光电容积脉搏波(photoplethysmography,PPG)信号,获得人体生理状态的模式识别网络.经测试该网络的识别正确率可达92. 8%.利用混淆矩阵及接受者操作性能(receiver operating characteristic,ROC)曲线分析,混淆矩阵的训练集、验证集、测试集、全集识别正确率分别达到97. 9%、94. 8%、92. 8%和96. 3%,AUC (area under curve)值接近1,认为该网络分类性能优良,并且可在4 s内完成整个识别过程.

• 单位
  北京科技大学