论文阅读和分析：Applying a Deep Learning Network in Continuous Physiological Parameter Estimation Based on Photoplethysmography Sensor Signals
## 主要内容：
1、使用CNN-LSTM神经网络架构同时计算HR、SBP、DBP、MAP（心率和血压）；
2、通过Advancement of Medical Instrumentation (AAMI) and the British Hypertension Society (BHS)的标准；
3、在MIMIC II数据集上使用10-fold交叉验证；
4、采样频率125HZ；
5、预处理，将数据集中的数据长度过短、数据值异常的去掉；
网络架构：
网络层配置：
损失函数：
H δ ( y , f ( x ) ) = { 1 2 ( y − f ( x ) ) 2 , i f ∣ y − f ( x ) ∣ ≤ δ , δ ∣ y − f ( x ) ∣ − 1 2 δ 2 , o t h e r w i s e . H_\delta(y,f(x))=\begin{cases}\frac{1}{2}(y-f(x))^2,&if~|y-f(x)|\le\delta,\\[6pt]\delta|y-f(x)|-\frac{1}{2}\delta^2,&otherwise.\end{cases} Hδ(y,f(x))=⎩
⎨
⎧21(y−f(x))2,δ∣y−f(x)∣−21δ2,if ∣y−f(x)∣≤δ,otherwise.
其中 δ = 1 \delta=1 δ=1
评价指标：
M A E = 1 n ∑ i = 1 n ∣ y i − y ^ i ∣ M E = 1 n ∑ i = 1 n ( y i − y ^ i ) S D = 1 n ∑ i = 1 n ( x i − M E ) 2 \begin{aligned} {MAE}& =\frac{1}{n}\sum\limits_{i=1}^n\left|y_i-\hat{y}_i\right| \\ ME& =\frac{1}{n}\sum\limits_{i=1}^n\left(y_i-\hat{y}_i\right) \\ SD& =\sqrt{\frac{1}{n}\sum\limits_{i=1}^n\left(x_i-ME\right)^2} \end{aligned} MAEMESD=n1i=1∑n∣yi−y^i∣=n1i=1∑n(yi−y^i)=n1i=1∑n(xi−ME)2
实验结果：
参考：
Applying a Deep Learning Network in Continuous Physiological Parameter Estimation Based on Photoplethysmography Sensor Signals