Aprendizaje profundo para suprimir artefactos de EMG y movimiento en la detección del pico R de ECG en brazalete

Área de la Ciencia:

• Ingeniería Biomédica; Procesamiento de Señales; Inteligencia Artificial

Sus antecedentes:

• Los dispositivos de ECG portátiles luchan con los artefactos de electromiograma (EMG) y movimiento.; La identificación precisa del pico R es crucial para la monitorización cardíaca continua.

Objetivo del estudio:

• Introducir un marco novedoso de aprendizaje profundo (CNNAED) para la detección de picos R robusta a artefactos.; Mejorar la calidad de la señal en ECG de brazalete durante las actividades diarias.

Principales métodos:

• Se desarrolló una Red Neuronal Convolucional con una arquitectura codificador-decodificador (CNNAED).; Se utilizaron espectrogramas tiempo-frecuencia de segmentos de ECG como entrada.; Se entrenó la red para mejorar los picos R y suprimir los artefactos.; Se validó mediante pruebas independientes del sujeto en grabaciones diurnas.

Principales resultados:

• Se logró una mejora del 29,3 % en la precisión de la estimación de la frecuencia cardíaca (reducción de la MAE de 13,26 a 9,37 lpm).; Se mostró una mejora del 6,1 % en RMSSD, preservando las métricas de variabilidad de la frecuencia cardíaca.; Se demostraron ganancias de rendimiento estadísticamente significativas (p < 0,001).

Conclusiones:

• El marco CNNAED ofrece una solución robusta para la mitigación de artefactos de EMG en la monitorización cardíaca portátil.; Mejora de la calidad de la señal y la disponibilidad de datos durante las condiciones ambulatorias.; Permite una monitorización cardíaca continua más fiable.