相关实验视频
Updated: Jun 12, 2026
12:10
Semi-automated Optical Heartbeat Analysis of Small Hearts
Published on: September 16, 2009
12.2K
用深度学习模型对左心室的血液动力学参数进行比特比特估计,基于心电图和光电图信号:初步研究
Jiachen Mi1, Tengfei Feng1, Hongkai Wang1,2,3
1School of Biomedical Engineering, Dalian University of Technology, Dalian 116024, China.
Bioengineering (Basel, Switzerland)
|August 29, 2024
概括
这项研究开发了一种非侵入性方法,使用心电图 (PCG) 和光电图 (PPG) 信号来估计关键的血液动力学参数. 这种方法有望在日常生活中方便地对心血管健康进行节奏性监测.
科学领域:
- 心血管生理学心血管生理学
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
背景情况:
- 节奏性血液动力学监测对于诊断心血管疾病如心力衰竭至关重要.
- 目前的侵入性方法对于日常监测是不切实际的,需要非侵入性替代品.
研究的目的:
- 提出一种新的方法,用于估计使用非侵入性心电图 (PCG) 和光多心电图 (PPG) 信号的腹腔内血动力学参数.
- 开发一个深度神经网络,能够实时,节拍对节拍的血液动力学参数估计.
主要方法:
- 在比格犬中同步收集PCG,PPG,ECG和侵入性左心室压力信号.
- 开发一个结合剩余卷积和双向循环模块的深度神经网络.
- 训练和测试模型使用回归方法与平均平方误差损失.
主要成果:
- 该模型准确地估计了左心室系统血压 (SBP),透气血压 (DBP),最大血压上升率 (MRR) 和最大血压下降率 (MRD) 的相关系数>0.90.
- 跨主体验证显示性能略有下降 (CCs ~0.7-0.85),表明需要解决个人差异以提高通用性.
结论:
- 非侵入性PCG和PPG信号可以有效地估计节拍式的血液动力学参数.
- 开发的深度学习模型展示了可穿戴设备在家庭医疗保健和自我监控应用中的潜力.
- 需要进一步的研究,以提高模型在不同个体的概括性.
