王宗道、林鴻儒、蔡佩芸、古博文

本新創成果採用SENSIO^TM智慧手表光學元件，在台大醫院門診與健檢中心利用智能手錶收集光體積變化描記圖(Photoplethysmography,PPG)與動態血壓量測(ambulatory BP monitoring, ABPM)紀錄來開發24小時血壓估測演算法。為了正確同步動態血壓量測數值並提取壓脈帶加壓前的光體積變化描記訊號，我們首先開發壓脈帶充氣偵測與覆核機制。同時，受試者的日常生活並不受侷限，因此我們以PPG波形偏度(skewness)變異數與三軸加速器產生血壓可估測性檢測指標，所產生的活動計數(activity count, AC)指標與Philips運動計量錶的活動數值(activity)相關係數為0.89，可有效反應使用者的活動量。並運用元學習(model agnostic meta learning, MAML)中的少樣本學習(few-shot learning)概念來從少量的校正資料中建立個人化血壓預測模型，在支持集(support set)為5筆訓練資料時，針對年齡分布為55.2±23.2的14人的24小時包含三筆日間血壓與三筆睡眠期間夜間血壓詢問集的血壓估測實驗中，平均每人估測均方根誤差為7.65 mmHg，滿足血壓計國際驗證要求，當測試任務的支持集(support set)進一步降低到3筆訓練資料，平均每人估測均方根誤差為8.03 mmHg，仍可有效估測日夜間血壓。 研究團隊在腕式PPG訊號處理、日常生活血壓可估測性指標以及24小時日夜間個人化血壓預測演算法建置及預測準確度上都有創新成果，也已進行專利申請與佈局。