FewShotBP：面向个性化 ubiquitous 连续血压测量的研究

基于深度学习的方法在连续无创血压测量中显示出前景，而在大规模公共数据集上训练的模型在预测家庭环境中收集的真实世界用户数据时存在严重的性能下降问题。最近引入迁移学习来解决这个问题，通过使用未见用户的数据对预训练模型进行个性化。然而，现有的基于网络微调的模型个性化方法需要大量标记数据，因为对于家庭用户来说，使用袖带式血压计进行标记非常繁琐且费力。在本文中，我们提出了一种名为FewShotBP的新型少样本迁移学习方法，通过在个性化阶段（即迁移学习阶段）引入个性化适配器，以及在预训练阶段引入多模态时频神经网络，来解决上述挑战，以弥合数据饥饿模型与现实场景中有限标记数据之间的差距。为了评估该方法的意义，我们使用公开可用数据集和真实用户实验进行了实验。结果表明，与公共数据集中的最新方法相比，所提出的方法在个性化数据减少10倍的情况下达到了相似的血压预测精度，并且在真实用户实验中，仅使用10个个人数据样本就实现了6.68 mmHg（收缩压）和3.91 mmHg（舒张压）的平均绝对误差。