使用深度神经网络从光电显微图数据中重建缺失的心电图信号
Yanke Guo1, Qunfeng Tang2, Shiyong Li1
1School of Electronic Engineering and Automation, Guilin University of Electronic Technology, Guilin 541004, China.
Bioengineering (Basel, Switzerland)
|April 27, 2024
概括
这项研究使用光电心电图 (PPG) 信号重建了缺失的心电图 (ECG) 数据. 深度学习模型显示了从PPG恢复心电图数据的可行性,改善了持续的心脏监测.
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
背景情况:
- 电心电图 (ECG) 对于诊断心脏病至关重要,但由于传感器脱离,在长期监测期间会损失数据.
- 电脑心电图监测需要用户参与,限制其用于连续的心脏活动跟踪.
- 摄影致血学 (PPG) 为持续的生理信号监测提供了一种低成本,非侵入性的替代方案.
研究的目的:
- 开发和验证深度神经网络模型,以使用PPG数据重建缺失的ECG信号.
- 评估基于WNet架构的性能,并添加了用于ECG信号重建的双向长期短期内存网络.
主要方法:
- 设计了一个端到端的深度学习模型,基于WNet架构,并结合了双向的长期短期内存网络.
- 该模型使用MIMIC III匹配子集的146条记录进行了训练和验证.
- 使用包括皮尔森相关系数,RMSE,PRD和Fréchet距离在内的指标来评估性能.
主要成果:
- 拟议的深度学习模型实现了皮尔森的相关系数为0.851.
- 该模型展示了0.075的根平均平方误差 (RMSE) 和5.452.45的根平均平方差 (PRD) 的百分比.
- 0.302的Fréchet距离 (FD) 表示重建和原始心电图信号之间的高度相似性.
结论:
- 该研究证实了通过深度学习使用PPG数据重建缺失的ECG信号的可行性.
- 开发的模型显示,通过解决心电图中的数据丢失问题,有望增强持续的心脏监测.
- 这种方法可以带来更强大,更可靠的长期心脏监测解决方案.
