PPG2ECGps:一个端到端的特定主体深度神经网络模型,用于从光电心电图信号的心电图重建,没有脉冲到达时间调整
Qunfeng Tang1,2, Zhencheng Chen1, Rabab Ward2
1School of Life and Environmental Sciences, Guilin University of Electronic Technology, Guilin 541004, China.
Bioengineering (Basel, Switzerland)
|June 28, 2023
概括
这项研究介绍了PPG2ECGps,这是一个用于从光电脉冲图 (PPG) 信号中重建心电图 (ECG) 的深度学习模型. 这项创新使得使用可穿戴设备而无需信号对齐的可访问的心血管健康监测.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 心血管监测 心血管监测
背景情况:
- 电心电图 (ECG) 对于心血管健康评估至关重要,但往往无法获得.
- 来自可穿戴设备的光电显微镜 (PPG) 信号显示了对心电图重建的潜力.
- 现有的方法通常需要信号对齐,限制现实世界的应用.
研究的目的:
- 开发一个端到端,针对患者的深度学习模型,用于从PPG信号直接ECG重建.
- 为了克服以前的ECG重建技术所需的信号对齐的局限性.
- 通过可穿戴技术提高心血管监测的可访问性.
主要方法:
- 介绍PPG2ECGps,一个基于W-Net架构的新型深度学习神经网络.
- 实施一种针对患者的方法,用于从PPG中直接重建心电图信号.
- 使用500条记录的数据集进行验证,将重建的ECG与参考ECG进行比较.
主要成果:
- 获得了0.977mV的平均皮尔森相关系数.
- 获得了0.037mV的平均根平均平方误差.
- 达到0.010mV的平均正常化动态时间扭曲距离.
结论:
- 该PPG2ECGps模型成功地从PPG数据中重建了ECG信号,而不需要信号对齐.
- 该模型在心电图重建方面表现出高精度和可靠性.
- 这种方法具有显著的潜力,可以通过可访问的可穿戴设备改善医疗保健中的患者监测和诊断.
