BCGおよびPPG信号を用いた心拍数推定のためのマルチモーダルセンサーフュージョンに関する研究

科学分野:

• 生物医学工学
• 信号処理
• 心血管健康

背景:

• 連続心拍数モニタリングは、心血管疾患の早期検出に不可欠です。
• 心電図（ECG）は、家庭での快適な長期モニタリングには限界があります。
• 非侵襲的な生理学的信号は、遠隔健康評価の可能性を提供します。

研究 の 目的:

• 正確な心拍数モニタリングのためのマルチモーダル時間的フュージョンネットワーク（MM-TFNet）を開発すること。
• 心血管モニタリングを強化するために、心電図（BCG）および光電式容積脈波（PPG）信号を統合すること。
• 家庭環境における従来のECGモニタリングに関連する不快感や制限を克服すること。

主な方法:

• 時間的畳み込みネットワーク（TCN）および双方向長短期記憶ネットワーク（BiLSTM）を使用して、BCGおよびPPG信号から時間的特徴を抽出しました。
• BCGおよびPPG特徴の適応的フュージョンのためのクロスモーダル注意メカニズムを実装しました。
• マルチヘッド自己注意（MHSA）を採用して、心拍波形に焦点を当て、動的活動中の堅牢性を向上させました。

主要な成果:

• MM-TFNetは、心拍数予測において0.88 BPMの平均絶対誤差（MAE）を達成しました。
• 提案されたモデルは、心拍数予測タスクにおいて既存の主流のディープラーニング手法を上回りました。
• 40人の被験者を対象とした公開BCG-PPG-ECGデータセットで実験的検証を実施しました。

結論:

• MM-TFNetは、非侵襲的なBCGおよびPPG信号を使用した連続心拍数モニタリングにおいて、高い精度と堅牢性を示しています。
• このマルチモーダルフュージョンアプローチは、接触のない低電力でエッジ展開可能な家庭用健康モニタリングシステムの基盤を提供します。
• 本研究は、心血管健康管理の改善のために複雑な生理学的信号を分析する上でのマルチモーダルフュージョンの大きな可能性を強調しています。