Transformador de visión y NeoPulseNet: un enfoque dual para la extracción precisa de la señal rPPG en los recién...

Área de la Ciencia:

• Ingeniería biomédica
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La fotopletismografía sin contacto (rPPG) ofrece una alternativa más segura para el monitoreo de la frecuencia cardíaca neonatal (HR).
• La segmentación precisa de la piel en los recién nacidos es un desafío debido a la interferencia del cuidador.

Objetivo del estudio:

• Desarrollar y validar un sistema basado en la IA para el monitoreo de la HR neonatal sin contacto.
• Mejorar la precisión y la robustez de rPPG en entornos de cuidados intensivos neonatales.

Principales métodos:

• Se utilizó un transformador de visión para la segmentación de la piel neonatal.
• Se desarrolló una nueva arquitectura de aprendizaje profundo, NeoPulseNet (1D-CNNs y capas de transformador), para la extracción de recursos humanos utilizando la verdad básica sustituta.
• El rendimiento se evaluó con algoritmos rPPG tradicionales y se validó en diversas condiciones neonatales.

Principales resultados:

• NeoPulseNet logró un error absoluto medio (MAE) tan bajo como 7.85 bpm mediante la optimización de la verdad de tierra sustituto.
• El modelo demostró una aceptabilidad clínica consistente (MAE ≤ 10 bpm) a través de variaciones en el tono de la piel, la posición, la iluminación y el movimiento.
• NeoPulseNet exhibió una computación eficiente (13 ms en segmentos de 5 segundos), comparable a los métodos clásicos.

Conclusiones:

• NeoPulseNet proporciona una solución robusta y computacionalmente eficiente para el monitoreo de HR neonatal sin contacto.
• El rPPG impulsado por la IA, particularmente con el entrenamiento de un sustituto, mejora significativamente la precisión en comparación con los métodos tradicionales en los recién nacidos.
• El sistema es prometedor para su aplicación clínica en la atención neonatal, mejorando la seguridad y la adquisición de datos.