一种基于机器学习的新噪声检测方法用于光电显微镜信号

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:

• 可穿戴设备对于持续的健康监测和早期疾病检测至关重要.
• 来自可穿戴设备的生理信号容易受到干扰,如运动工件 (MA) 和基线流浪 (BW).
• 在可穿戴信号中精确检测噪音对于防止远程医疗保健中错误报警至关重要.

研究的目的:

• 开发一种基于机器学习 (ML) 的方法,用于识别光电显微镜 (PPG) 信号中的噪声.
• 要区分干净的,MA损坏的和BW损坏的PPG信号段.
• 评估ML方法的性能,而不依赖其他传感器的数据.

主要方法:

• 训练了一种机器学习 (ML) 模型来分类PPG信号段.
• 该模型的设计是为了区分干净的信号和那些被运动工件 (MA) 或基线流浪 (BW) 损坏的信号.
• 该方法在不使用辅助传感器数据 (如加速度计读数) 的情况下进行了验证.

主要成果:

• 基于ML的分类在区分信号类型方面取得了很高的准确性.
• F1得分范围从三类分类的89.3%到二元分类的99.4%.
• 拟议的方法有效地识别了PPG信号中的噪声,而无需外部传感器引用.

结论:

• 开发的ML方法为检测可穿戴PPG信号中的工件提供了强大的解决方案.
• 这种方法可以通过减少虚假报警来提高远程健康监测系统的可靠性.
• 这种技术的无传感器性质使其广泛适用于各种可穿戴医疗保健设备.