【运动心肺测试】关于深度学习用于运动心肺测试数据的一些想法

首先生理信号用于深度学习比较重要的就是要了解数据本身的结构。运动心肺测试的数据主要包括：受试者的基本信息（比如性别/年龄/身高/体重）、环境参数（实时温湿度但一般不用）、采集设备的实时信息（比如实时功率）、呼吸部分（各种气体流速和流量以及一些衍生参数）、心电、血氧、血压（收缩舒张压）。

之前因为项目的原因读了一些用深度学习方法做运动心肺测试相关任务的，做不下去所以想随便写写这个方向的一些困境和小想法。

1. 开源数据集少，数据范式不统一，都是小样本，基本没有大规模的。如果有的话麻烦评论区告诉我，谢谢。
2. 采集数据难：尝试采集了几个，如果按极限或者次极限，也累个半死，容易出危险。运动模式也比较多。可能采集运动员的数据是个不错的选择。
3. 任务不明确：不知道是做分类回归还是什么。
4. 解决动态采样率：算是时间序列，但基本都是按照一个呼吸周期出一个数据给的，丢入神经网络的话相当于丢失了时间戳这个信息，但因为每个通道的物理含义不同，有一些是实时量，有一些是累积量相当于积分，也不能一概通过插值等方法解决。另外有一些设备对于血压的采集大概是几分钟采一次，其他时间都是空白。解决动态采样率是一个个人感觉还不错的点。
5. 解决每个模态异质的问题，信息存在互补和互斥：每个模态的量纲都不一样，有一些是衍生出来的量，其实可以作为机器学习的特征还是不错的。
6. 好的地方在于做的人少坑多。机器学习方法还是蛮好的。

一些调研的数据：

描述	论文和链接
二分类：心力衰竭(15)代谢综合征(15)	Neural network methods for diagnosing patient conditions from cardiopulmonary exercise testing data
四分类(217)原发性心脏运动受限(51)原发性肺运动受限(26)除心脏或肺外的主要运动限制(45)正常运动反应(95)	Using Machine Learning to Identify Organ System Specific Limitations to Exercise via Cardiopulmonary Exercise Testing
Andrea Zignoli团队第一篇是生成任务，第二篇是数据集	Automatic generation of realistic cardiopulmonary exercise test data with a conditional generative adversarial neural network; Oxynet: A collective intelligence that detects ventilatory thresholds in cardiopulmonary exercise tests
高原环境暴露对人体心肺系统指标影响数据集（2020-2022）	包括PWV数据列表/超声心动数据列表/超声应变数据集/受试者生化指标数据列表/无创内皮功能数据列表/无创伤心功能数据列表/心肺康复评定数据列表
Pulse Transit Time PPG Dataset（脉冲传输时间PPG数据集）	只包含心脏数据，有同一测试者walk，run，sit的数据。
Simultaneous physiological measurements with five devices at different cognitive and physical loads（在不同的认知和身体负荷下使用五个设备同时进行生理测量）	有心肺多功能指标数据，数据采用WFDB 软件包存储。