一个基于深度学习的自动化框架,用于对内压力信号的次峰指标
Donatien Legé1,2, Laurent Gergelé3, Marion Prud'homme1
1Sophysa, 91400 Orsay, France.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
这项研究引入了一个深度学习管道,自动计算P2/P1比从内压力 (ICP) 信号. 这种方法有助于评估重症监护病房患者的脑部合规性.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 密集护理医学 密集护理医学
背景情况:
- 对重症患者来说,对内压力 (ICP) 的监测至关重要.
- 在ICP信号中的P2/P1次峰值比率反映了大脑的遵守.
- 准确的P2/P1比率计算对于理解脑脊系统动态至关重要.
研究的目的:
- 开发和评估一个深度学习管道,用于从原始ICP信号中自动计算P2/P1比率.
- 评估循环神经网络 (RNN) 和卷积神经网络 (CNN) 对于脉冲检测和选择的性能.
- 创建一个可靠的工具,用于持续的大脑合规性评估.
主要方法:
- 一个深度学习管道,包括脉冲检测,选择,次峰标识和信号处理.
- 对心跳诱导脉冲检测和选择的RNN和CNN性能进行比较.
- 从10个患者记录中对4344个脉冲的数据集进行评估.
主要成果:
- 脉冲选择算法实现了曲线下的面积为0.90.
- 亚峰指标算法准确地识别了P2/P1比率> 1的脉冲,准确率为97.3%.
- 自动化框架显示了将其整合到病床监测中的希望.
结论:
- 开发的深度学习管道提供了一种自动化的方法,用于从ICP信号计算P2/P1比率.
- 该系统在脉冲选择和次峰指定方面表现出高精度.
- 这种工具有可能提高神经疾病的实时患者监测和管理.


