Clasificación de señales de ECG de contacto no directo utilizando un marco de aprendizaje profundo híbrido con...

Área de la Ciencia:

• Ingeniería biomédica
• Tecnología de salud portátil
• Procesamiento de señales

Sus antecedentes:

• La creciente demanda de atención médica inteligente requiere un monitoreo de ECG preciso y cómodo junto a la cama.
• Los electrodos húmedos convencionales causan irritación de la piel, lo que limita el uso a largo plazo.
• Los métodos de ECG de contacto no directo ofrecen un potencial para mejorar la comodidad y el cumplimiento del paciente.

Objetivo del estudio:

• Presentar y validar un sistema de registro de ECG de contacto no directo que utilice el acoplamiento capacitivo (ECGc).
• Para evaluar la precisión del sistema en la captura de la Variabilidad del ritmo cardíaco (HRV) durante el sueño nocturno.
• Desarrollar y evaluar un marco de aprendizaje profundo para la evaluación de la calidad de la señal cECG (SQA) y el filtrado de ruido.

Principales métodos:

• Desarrolló un sistema de ECG en la cama que registra las señales de ECG a través de la ropa.
• Implementó un modelo de aprendizaje profundo para la evaluación de la calidad de la señal cECG, la reducción del ruido y la detección de encendido/apagado.
• Se recogieron datos de sueño nocturno de 6 sujetos, comparando las características de VCR derivadas del ECG con el ECG de electrodo húmedo tradicional.

Principales resultados:

• El modelo de aprendizaje profundo logró una alta precisión (94,7%) para SQA y una excelente precisión de monitoreo dentro y fuera de la cama (99,79%).
• Las características de la VRC derivadas del cECG demostraron fuertes correlaciones con los datos del ECG de electrodo húmedo de referencia.
• Los errores promedio porcentual absoluto (MAPE) para las características de HRV fueron generalmente bajos, con PNN50 (8,15%), HF (13,25%) y SD1 (5,18%) mostrando los valores más grandes.

Conclusiones:

• El sistema de cECG propuesto ofrece una alternativa confiable y cómoda para la grabación de ECG al lado de la cama.
• El marco integrado de aprendizaje profundo mejora efectivamente la calidad de la señal y permite un análisis preciso del HRV.
• Esta tecnología ofrece una solución prometedora para el monitoreo continuo y no invasivo del sueño y la evaluación de la VHC.