通过光电显微镜监测持续心房动:监督深度学习和启发信号处理之间的比较
Pavel Antiperovitch1, David Mortara1, Joshua Barrios2
1Division of Cardiology, Department of Medicine and Cardiovascular Research Institute, University of California-San Francisco, San Francisco, California, USA.
JACC. Clinical electrophysiology
|February 10, 2024
概括
深度神经网络 (DNN) 显示了使用光聚光学 (PPG) 信号持续监测心房动 (AF) 的前景. DNN比传统方法分析更多的数据,即使是动作文物,提高AF检测准确度.
科学领域:
- 心血管技术的心血管技术
- 生物医学信号处理
- 医疗保健中的人工智能
背景情况:
- 通过光电脉动扫描 (PPG) 进行持续的心房动 (AF) 监测受到运动器件和可穿戴设备中不经常采样的阻碍.
- 目前的消费者可穿戴设备通常将连续AF分析限制在休息时间,限制监控能力.
研究的目的:
- 将信号处理 (SP) 启发式与深度神经网络 (DNN) 进行比较,用于在自由生活的患者中使用PPG进行持续的AF监测.
- 在现实条件下评估SP和DNN方法的性能和数据分类能力.
主要方法:
- 从204名自由生活的患者收集了4周的连续PPG和心电图数据.
- 在持久和外部验证数据集上开发和验证了SP和DNN模型.
主要成果:
- SP和DNN模型都实现了高精度 (AUC~0.97),DNN显示略有更好的性能 (AUC0.973与0.972).
- DNN 分类的数据显著增加了 (95%与62%相比),显示出优越的运动器件耐受性.
- 外部验证证实了DNN在不同人群和PPG传感器中的卓越性能和数据分析率.
结论:
- 深度神经网络 (DNN) 提供与传统信号处理 (SP) 相同或更高的性能,用于持续的AF监控.
- DNN 分类更多数据的能力,包括带有运动工件的信号,使得它们成为增强基于可穿戴设备的AF检测的有希望的工具.
- 这些发现表明,DNN可能更适合在现实环境中进行基于PPG的强大,连续的AF监控.
