Generación de señales de ECG no invasivas de extremo a extremo a partir de señales de PPG: un enfoque de aprendizaje...

Área de la Ciencia:

• Ingeniería Biomédica
• Inteligencia Artificial en la Atención Sanitaria
• Procesamiento de Señales

Sus antecedentes:

• El electrocardiograma (ECG) es crucial para la monitorización cardíaca, pero requiere entornos clínicos.
• La fotopletismografía (PPG) ofrece datos accesibles y no invasivos, pero carece de detalles del ECG.
• Las limitaciones actuales dificultan la detección continua de eventos cardíacos en la vida cotidiana.

Objetivo del estudio:

• Desarrollar un método novedoso para sintetizar señales de ECG de alta fidelidad a partir de señales de PPG.
• Permitir la generación robusta de formas de onda de ECG utilizando una configuración simple y portátil.
• Mejorar la viabilidad de la monitorización cardíaca continua en el hogar.

Principales métodos:

• Se utilizó una red generativa antagónica (GAN) basada en Transformers para la síntesis de señales de ECG.
• Se incorporó el aprendizaje autosupervisado para mejorar la capacidad del modelo de aprender diversos patrones de ECG.
• Se evaluó el rendimiento del modelo utilizando el cálculo de la frecuencia cardíaca y el error cuadrático medio (RMSE) en dos conjuntos de datos.

Principales resultados:

• Reducción significativa del error de cálculo de la frecuencia cardíaca en un 83,9 % en los conjuntos de datos MIMIC III y en un 72,4 % en Who is Alyx?. Demostró una eficacia superior en la generación de señales de ECG precisas a partir de PPG. Se aplicaron con éxito las señales de ECG generadas para la detección de la fibrilación auricular (FA).

Conclusiones:

• El modelo de IA propuesto sintetiza eficazmente señales de ECG precisas a partir de PPG, superando las limitaciones de la monitorización tradicional.
• Este enfoque tiene un potencial significativo para mejorar la monitorización cardíaca remota y la detección temprana de afecciones cardíacas.
• El conjunto de datos y el código publicados públicamente fomentan una mayor investigación en la generación de ECG impulsada por IA.