变化自编码器用于生物医学信号形态群集和噪声检测
IEEE journal of biomedical and health informatics
|September 28, 2023
概括
这项研究引入了一种用于检测可穿戴传感器数据中的噪声的新方法. 它通过清除噪音信号,提高血压监测,提高健康生物标志物估计的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 可穿戴设备生成原始波形数据,需要广泛的预处理才能准确地估计生理生物标志物.
- 在时间序列数据中的自动噪声检测对于各种应用至关重要,但数据标签具有挑战性.
- 最少监督的异常检测和信号损坏严重程度估计对于稳健的数据验证至关重要.
研究的目的:
- 开发一种无模型,最低限度监督的框架,用于检测时间序列生物医学波形中的噪声和异常.
- 为数据段提供信任指标,使信号验证和信任意识建模成为可能.
- 为了提高下游生物医学应用的准确性,例如无袖血压估计.
主要方法:
- 与高斯混合模型相结合的变量自编码器用于定期生物医学信号中的噪声检测.
- 该框架在不需要注释数据的情况下运行,检测各种波形异常.
- 动态时间扭曲 (DTW) 距离被用来验证心脏周期形态和评估信号质量.
主要成果:
- 拟议的方法有效地消除了噪音心脏周期,在清洁信号中将DTW距离的标准偏差降低了59.92%.
- 在使用生物阻抗数据的无袖血压估计中观察到显著的改善,其中RMSE降低了缩压 (2.13 mmHg) 和腹缩压 (2.67 mmHg) 血压.
- 在各种合成噪声条件下,信号与噪声比率和皮尔森相关性在统计学上显著改善.
结论:
- 开发的框架为验证可穿戴传感器数据提供了一个无负担的解决方案,增强其对生物医学应用的实用性.
- 该模型生成的信心分数可以集成到机器学习和深度学习模型中,以提高性能和可靠性.
- 这种方法通过解决数据质量问题,可以从非侵入性可穿戴设备中更准确地估计生理生物标志物.
