目录

一、论文摘要

二、十个问题

Q1：论文试图解决什么问题？

Q2：这是否是一个新的问题？

Q3：这篇文章要验证一个什么科学假设？

Q4：有哪些相关研究？如何归类？谁是这一课题在领域内值得关注的研究员？

Q5：论文中提到的解决方案之关键是什么？

Q6：论文中的实验是如何设计的？

Q7：用于定量评估的数据集是什么？代码有没有开源？

Q8：论文中的实验及结果有没有很好地支持需要验证的科学假设？

Q9：这篇论文到底有什么贡献？

Q10：下一步呢？有什么工作可以继续深入？

参考文献

---

一、论文摘要

由于血管老化导致的动脉硬化是评估心血管风险的主要指标。在本研究中，我们提出了一种通过将深度学习应用于光电容积图（PPG）来非侵入性评估血管年龄的年龄估计方法。所提出的基于深度学习的年龄估计模型包括三个卷积层和两个全连接层，并使用Grad-Cam开发为可解释人工智能模型，以解释PPG波形特征对血管年龄估计的贡献。深度学习模型是使用来自总共752名年龄在20-89岁之间的成年人的分段PPG脉冲开发的，性能通过实际和估计年龄之间的平均绝对误差、均方根误差、皮尔逊相关系数和决定系数进行定量评估。结果显示，平均绝对误差为8.1年，均方根误差为10.0年，相关系数为0.61，决定系数为0.37。用于确定输入信号对结果贡献权重的Grad-Cam被用来验证PPG段在收缩高峰附近的年龄估计贡献。本研究的结果表明，基于卷积神经网络的可解释人工智能模型在性能上优于现有模型，而无需额外的特征检测过程。此外，它还可以为基于PPG的血管老化评估提供依据。

二、十个问题

Q1：论文试图解决什么问题？

A1：本文试图通过将深度学习应用于光电容积脉搏图（PPG）来进行非侵入性血管年龄评估，以解决动脉硬化作为心血管风险评估中的主要指标的问题。

Q2：这是否是一个新的问题？

A2：动脉硬化作为心血管风险评估中的主要指标并不是一个新问题，但本文提出的方法——通过将深度学习应用于光电容积脉搏图（PPG）进行非侵入性血管年龄评估——是一个相对较新的解决方案。

Q3：这篇文章要验证一个什么科学假设？

A3：本文旨在通过采用基于深度学习的方法自动检测优化特征来评估PPG中的血管老化，并使用Grad-Cam作为可解释人工智能（XAI）来验证输入PPG信号如何对老化估计做出贡献。

Q4：有哪些相关研究？如何归类？谁是这一课题在领域内值得关注的研究员？

A4：相关研究包括基于机器学习的心血管疾病风险评估、基于光电容积脉搏图的生理参数监测等。本文可以归类为基于深度学习的非侵入性血管年龄评估。在这一领域内，值得关注的研究员包括Hangsik Shin、Byung-Moon Choi等。

Q5：论文中提到的解决方案之关键是什么？

A5：论文中提到的解决方案的关键是将深度学习应用于光电容积脉搏图（PPG）进行非侵入性血管年龄评估，并使用Grad-Cam作为可解释人工智能模型来解释PPG波形特征对血管年龄评估的贡献。

Q6：论文中的实验是如何设计的？

A6：本文使用来自752名20-89岁成年人的分段PPG进行开发，并使用实际年龄和预测年龄之间的平均绝对误差、均方根误差、皮尔逊相关系数和决定系数进行定量评估。实验设计包括数据预处理、模型训练和测试等步骤。

Q7：用于定量评估的数据集是什么？代码有没有开源？

A7：用于定量评估的数据集是来自752名20-89岁成年人的分段PPG。目前，本文所使用的代码并未公开开源。

Q8：论文中的实验及结果有没有很好地支持需要验证的科学假设？

A8：是的，本文中所进行的实验及结果很好地支持了需要验证的科学假设，即通过将深度学习应用于光电容积脉搏图（PPG）进行非侵入性血管年龄评估，并使用Grad-Cam作为可解释人工智能（XAI）来验证输入PPG信号如何对老化估计做出贡献。

Q9：这篇论文到底有什么贡献？

A9：本文提出了一种基于深度学习的非侵入性血管年龄评估方法，该方法可以自动检测优化特征来评估PPG中的血管老化，并使用Grad-Cam作为可解释人工智能（XAI）来验证输入PPG信号如何对老化估计做出贡献。该方法可以为动脉硬化作为心血管风险评估中的主要指标提供一种新的解决方案。

Q10：下一步呢？有什么工作可以继续深入？

A10：下一步，可以进一步探索基于深度学习的非侵入性血管年龄评估方法在临床实践中的应用，以及进一步优化模型性能和提高预测准确率。此外，还可以考虑将该方法应用于其他相关领域，如生理参数监测等。

参考文献

Shin, H., Noh, G. & Choi, BM. Photoplethysmogram based vascular aging assessment using the deep convolutional neural network. Sci Rep 12, 11377 (2022). https://doi.org/10.1038/s41598-022-15240-4