概括
一个新的压缩传感 (CS) 框架有效地使用深度学习重建弹性心电图 (BCG) 信号,即使压缩95%. 这种光纤传感器系统在IoMT应用中显示了远程心脏监测的高精度.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 弹性心电图 (BCG) 信号提供非侵入性心脏监测.
- 传统的BCG数据采集可能是带宽密集的.
- 压缩传感 (CS) 和深度学习 (DL) 显示出对高效信号处理的承诺.
研究的目的:
- 开发和评估用于BCG信号采集和重建的新型CS框架.
- 将光纤传感器与CS模块和DL算法集成在一起.
- 评估框架在各种压缩比 (CR) 的性能.
主要方法:
- 一个基于光纤传感器的系统被设计用于收集BCG数据.
- 一个CS模块在传感端压缩了BCG信号.
- 一个端到端的DL算法重建了压缩数据.
- 性能与传统的CS算法和DL参考方法进行了比较.
主要成果:
- 拟议的CS框架成功地重建了BCG信号,从50%到95%的CR.
- 该框架的性能优于现有方法,特别是在高CRs.
- 心率 (HR) 估计的平均绝对误差 (MAE) 在CRs低于95%时仍然低于1bpm.
结论:
- 开发的CS框架使有效的BCG信号采集和重建成为可能.
- 该系统在远程心率监测方面表现出高精度和稳定性.
- 该框架具有重要的潜力,可以集成到医疗应用的医疗物联网 (IoMT) 系统中.
