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

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.