Обнаружение нарушений кровотока по двум PPG‑сигналам с использованием глубокого обучения

В статье представлен новый подход к прогнозированию неравномерного кровотока с использованием двух сигналов фотоплетизмографии (PPG) и методов глубокого обучения. Аппаратная часть включает два PPG‑датчика, стратегически размещённых на пальце и мышце большого пальца, подключённых к плате ESP32 NodeMCU для сбора данных. Захваченные сигналы передаются по Wi‑Fi на компьютер для анализа. Классификатор на основе сверточной нейронной сети (CNN) обрабатывает парные PPG‑данные для классификации кровотока как нормального или аномального, при этом для каждого прогноза предоставляется уровень доверия. Модель, обученная на наборе из 960 образцов от 22 человек, достигла точности 87.3% при различении нормальных и аномальных паттернов кровотока. Дополнительные метрики производительности, включая точность (precision) 84.8%, полноту (recall) 90.3% и F1‑меру 87.5%, подтверждают эффективность системы. Предложенный подход представляет собой перспективный неинвазивный метод для раннего обнаружения нарушений кровотока и потенциально может улучшить мониторинг сердечно‑сосудистого здоровья.