在使用1D U-net架构的电皮活动信号中自动检测运动工件.
Youngsun Kong1, Md Billal Hossain2, Andrew Peitzsch1
1Biomedical Engineering Department, University of Connecticut, Storrs, CT, 06269, USA.
Computers in biology and medicine
|September 13, 2024
概括
我们创建了一种使用深度学习的自动化方法,用于检测皮肤电活动信号中的运动和噪声工件. 这种高效的模型准确地识别信号损坏,以可靠地评估同情功能.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 电皮活动 (EDA) 对于评估交感神经系统功能至关重要.
- 运动和噪声器件 (MNA) 经常会破坏EDA信号,特别是在可穿戴和门诊系统中.
- 不准确的MNA检测可能导致错误的生理评估和诊断.
研究的目的:
- 开发和验证一种基于深度学习的方法,用于在皮电活动 (EDA) 信号中自动检测运动和噪声工件 (MNA).
- 解决现有的MNA检测算法在通用性和实时实现方面的局限性.
- 创建一个适合嵌入式系统的计算效率和内存光模型.
主要方法:
- 在EDA信号中用于MNA检测的一维U-Net架构.
- 用EDA信号的光谱图作为深度学习模型的输入特征.
- 该方法包括数据增强,并在四个不同的数据集上进行训练和验证,包括两个独立的测试集.
主要成果:
- 拟议的1D U-Net模型在两个独立的测试数据集上实现了80.0 ± 13.7%和75.0 ± 14.0%的平衡精度.
- 性能优于或与其他五种最先进的MNA检测方法相美.
- 该模型的计算时间显著降低,只需要0.28 MB的内存,优于其他深度学习方法.
结论:
- 开发的深度学习方法可以在EDA信号中准确有效地自动检测MNA.
- 它的低内存足迹和计算要求使其能够在资源受限的嵌入式系统中实时实现.
- 这种方法提高了EDA信号分析的可靠性,用于在各种应用中对同情功能进行评估.
