卷积神经网络的应用,用于从频率调制音频流 (声波心电图) 来解码12导电心电图

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 远程患者监测对于医疗保健至关重要,特别是对于老年人和视力受损的人来说.
• 如心电图 (ECG) 等传输生物信号的现有方法可能受到基础设施要求的限制.
• 电心电图的声化提供了一种新的方法,用于使用随时可用的音频通道进行无线数据传输.

研究的目的:

• 开发一种人工智能驱动的算法,用于12导电图声学,以提高远程监测中的诊断可靠性.
• 创建一个强大的系统,通过音频通道无线传输心电图数据,如标准电话.
• 验证ECG信号的声化和重建过程的准确性和有效性.

主要方法:

• 开发了一个ECG-to-Audio变压器算法,使用频率调制 (FM) 为八个独立的ECG导线.
• 设计了一个使用1D卷积神经网络 (CNN) 来解码音频心电图流的音频到心电图变压器算法.
• 在无监督回归模式下训练CNN模型,使用PTB-XL12导电图数据库 (21,837条记录).

主要成果:

• 人工智能算法在从音频中重建心电图信号时取得了高精度,幅度误差低 (RMSE = 3-7μV,PRD = 2-5.2%).
• 检测QRS显示高灵敏度 (Se) 和正预测值 (PPV) 超过99.7%.
• P-QRS-T信托点的时间偏差小于2毫秒,证明了在各种患者数据和心律失常中精确的信号重建.

结论:

• 开发的12导电图声学技术为远程患者监测提供了可靠的无线接口.
• 由人工智能驱动的方法确保了诊断数据的完整性,支持自动化工具和医学专家进行准确的诊断.
• 这种方法促进了重要的心电图数据的可访问和安全传输,改善了患者的护理,特别是对弱势群体.