アームバンドECGにおけるRピーク検出のための筋電図およびモーションアーチファクト抑制のための深層学習

科学分野:

• 生物医学工学
• 信号処理
• 人工知能

背景:

• ウェアラブルECGデバイスは、筋電図（EMG）およびモーションアーチファクトに苦労しています。
• 正確なRピーク同定は、連続的な心臓モニタリングに不可欠です。

研究 の 目的:

• アーチファクトに強いRピーク検出のための新しい深層学習フレームワーク（CNNAED）を導入します。
• 日常活動中のアームバンドECGにおける信号品質を向上させます。

主な方法:

• エンコーダー–デコーダーアーキテクチャ（CNNAED）を持つ畳み込みニューラルネットワークを開発しました。
• ECGセグメントの時間周波数スペクトログラムを入力として利用しました。
• Rピークを強化し、アーチファクトを抑制するようにネットワークをトレーニングしました。
• 日中の記録における被験者非依存テストを使用して検証しました。

主要な成果:

• 心拍推定精度の29.3%向上（MAEが13.26から9.37 bpmに減少）を達成しました。
• 心拍変動メトリクスを維持し、RMSSDの6.1%向上を示しました。
• 統計的に有意なパフォーマンス向上（p < 0.001）を実証しました。

結論:

• CNNAEDフレームワークは、ウェアラブル心臓モニタリングにおけるEMGアーチファクト軽減のための堅牢なソリューションを提供します。
• 歩行条件下での信号品質とデータ可用性を向上させました。
• より信頼性の高い連続心臓モニタリングを可能にします。