FM-FCN:一个带有过模块的神经网络,用于准确提取生命体征

科学领域:

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

背景情况:

• 卷积神经网络 (CNN) 擅长空间模式,但可能错过周期性生理信号特征.
• 传统的过方法是有效的,但缺乏适应性.
• 将信号处理与深度学习相结合,对于生理信号分析至关重要.

研究的目的:

• 开发一种新型网络,即过模块完全卷积网络 (FM-FCN),用于增强生理信号处理.
• 通过放大信号和抑制噪音来提高生命信号测量的准确性和可靠性.
• 弥合深度学习和传统信号处理方法之间的差距.

主要方法:

• 提出了一个过模块完全卷积网络 (FM-FCN),将传统过与神经网络集成在一起.
• 使用完全卷积网络 (FCN) 来保存生理信号中的时间相关性.
• 引入了一个自适应过模块 (FM),以消除干扰并利用过器结构.

主要成果:

• 与现有方法相比,FM-FCN在血液体积脉冲 (BVP) 信号和心率 (HR) 准确度方面表现优越.
• 实现了BVP的平均绝对误差 (MAE) 减少20.23%,信号与噪声比 (SNR) 增加79.95%.
• 提高了HR估计准确度,大大减少了MAE,误差标准偏差和协议宽度的极限.

结论:

• FM-FCN有效地放大生理信号,抑制噪声,提高信号质量.
• 拟议的方法符合HR准确性的临床标准,显示了可靠的生命体征监测的潜力.
• FM-FCN为高质量的BVP信号提取和分析提供了强大的方法.