深度匹配框架:耳朵ECG中的R峰检测

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
• 可穿戴技术可穿戴技术

背景情况:

• 基于耳朵的心电图 (Ear-ECG) 为持续的心脏监测提供了更好的舒适性和可穿戴性.
• 在可穿戴式心电图 (包括耳心电图) 中信号质量下降是实际应用的重大挑战.
• 准确的R峰检测对于可靠的心电图分析和解释至关重要.

研究的目的:

• 引入和评估深度匹配波器 (Deep-MF) 以在噪音较大的可穿戴式心电图信号中准确检测R峰.
• 为了提高耳朵ECG技术的实际功能和可靠性.
• 通过可解释的方法提高电子卫生中深度学习模型的接受度.

主要方法:

• 开发一个深度匹配过器 (Deep-MF),包括一个ECG模板初始化编码器和一个R峰分类器.
• 使用编码器作为匹配过器来识别输入信号中的ECG模板匹配.
• 采用卷积层进行过,并使用分类器进行精确的R峰定位.

主要成果:

• 在使用离开一个主体的交叉验证的36个受试者中,Deep-MF实现了94.9%的中位数R峰回忆和91.2%的中位数精度.
• 与现有的R峰检测算法相比,提出的方法在杂的可穿戴心电图中表现出更高的性能.
• 深度MF有效地解决了可穿戴健康技术中常见的信号质量退化问题.

结论:

• 深度匹配波器框架显著提升了耳朵电图系统的实际实用性.
• 深度MF的可解释性促进了对电子健康应用程序的信任和深度学习的采用.
• 这项研究为更可靠和用户友好的可穿戴心血管监测解决方案铺平了道路.