Clasificación de ejercicio de ECG basada en características de HRV inducidas por un modelo de detección de pico R...

Área de la Ciencia:

• Deportes Ciencias Ciencias Ciencias Deportivas
• Ingeniería Biomédica Ingeniería Biomédica.
• Fisiología cardiovascular fisiología cardiovascular.

Sus antecedentes:

• La detección precisa del pico R en los electrocardiogramas de ejercicio (ECG) es crucial para evaluar la fatiga inducida por el ejercicio a través del análisis de la variabilidad de la frecuencia cardíaca (HRV).
• Los modelos existentes luchan con el ruido inherente a los ECG registrados durante la actividad física.
• El desarrollo de métodos robustos de detección del pico R es esencial para una evaluación fiable de la fatiga en los deportes.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo modelo de aprendizaje profundo, UNet-M-D, para la detección precisa de R-peak en señales ECG de ejercicio ruidosas.
• Evaluar la efectividad del modelo propuesto para mejorar la precisión de la clasificación de la fatiga inducida por el ejercicio.
• Proporcionar una base para mejorar la gestión de la salud deportiva y los ajustes de entrenamiento basados en medidas objetivas de fatiga.

Principales métodos:

• Modelo propuesto de UNet-M-D que integra la codificación posicional, la autoatención de múltiples cabezas y la convolución dinámica para una detección mejorada del pico R.
• Evaluación del modelo utilizando los conjuntos de datos de ECG de GUDB y EPFL, conocidos por contener ruido inducido por el ejercicio.
• Selección de características de las métricas de variabilidad de la frecuencia cardíaca (HRV) derivadas de los picos R detectados para la clasificación posterior de la fatiga.

Principales resultados:

• UNet-M-D logró una precisión de detección superior del pico R, alcanzando hasta el 99,2% en los conjuntos de datos evaluados.
• El modelo demostró una resistencia al ruido significativa, con un buen rendimiento en las relaciones señal-ruido (SNR) tan bajas como 6-18 dB.
• La precisión de la clasificación de la fatiga alcanzó el 77,4% utilizando características de HRV seleccionadas de manera óptima derivadas de la detección de pico R de UNet-M-D.

Conclusiones:

• El modelo UNet-M-D ofrece una solución robusta y precisa para la detección de R-pico en condiciones difíciles de ejercicio ECG.
• La detección mejorada del pico R se traduce directamente en una extracción más confiable de la característica HRV y la posterior clasificación de fatiga.
• Esta investigación proporciona una herramienta valiosa para el monitoreo objetivo de la salud deportiva y la optimización del régimen de entrenamiento personalizado.