基于深度CNN的心律障碍的检测,使用可穿戴设备的PPG信号

科学领域:

• 生物医学工程 生物医学工程
• 心脏病学 心脏病学
• 人工智能的人工智能

背景情况:

• 心脏节律障碍,包括高心率,心率和心律失常,如心房动 (AF),对健康构成重大风险,可能导致中风或突然死亡.
• 传统的诊断依赖于心电图 (ECG) 和霍尔特监测器,但使用光电脉冲图 (PPG) 的可穿戴设备提供了连续的,可访问的监测.
• 可穿戴技术促进了对心律失常的早期发现和干预,改善了患者的治疗结果.

研究的目的:

• 开发和评估一种1D卷积神经网络 (CNN) 模型,用于使用PPG信号检测心律不整.
• 评估模型在对心电图参考数据进行正常鼻节律 (NSR),心房动 (AF) 和过早心房收缩 (PAC) 的分类方面的准确性.

主要方法:

• 使用UMMC准备的数据集,其中包含同步的ECG和PPG信号.
• 预处理的ECG信号带带宽波器,并将原始PPG信号分成30秒间隔的细分.
• 训练并验证了一种1D-CNN模型来分类PPG信号,使用ECG作为黄金标准.

主要成果:

• 1D-CNN模型使用PPG信号在区分NSR,AF和PAC方面实现了95.17%的高精度.
• 证明了PPG信号的有效性,当被1D-CNN处理时,可以准确地识别常见的心律障碍.
• 电脑心电图信号作为验证基于PPG的检测模型的可靠参考.

结论:

• 拟议的1D-CNN模型显示了通过可穿戴PPG传感器进行非侵入性,持续性心律失常检测的显著前景.
• 这种方法可以为患者提供实时健康监测,并使及时的医疗干预成为可能.
• 进一步的研究可以探索更广泛的心律失常检测和整合到临床实践中.