深度学习用于识别SCG痕迹中的缩复合物:交叉数据集分析分析

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:

• 地震心脏图 (SCG) 为心脏活动分析提供了一种非侵入性方法,而静心综合体具有高度的信息性.
• 目前用于SCG分析的深度学习模型仅限于受控环境和单个数据集,阻碍了现实世界的应用.

研究的目的:

• 评估深度学习模型,用于在交叉数据集和现实世界的场景中检测缩复合体.
• 调查领域转移和个性化对模型性能的影响.
• 评估使用加速度计和陀螺仪的多通道方法的好处.

主要方法:

• 使用深度学习模型进行了交叉数据集实验分析.
• 应用了个性化技术来解决数据集之间的域转移问题.
• 来自加速度计和陀螺仪的多通道数据被利用.

主要成果:

• 深度学习模型在检测地震心脏图学缩复合物方面表现出有效性.
• 在现实世界和跨数据集场景中观察到一个显著的域名转移.
• 个性化通过减轻域名转移显著改善了模型性能.
• 多道数据融合提高了分析的稳定性和准确性.

结论:

• 深度学习是地震心电图分析的可行方法,但需要适应现实世界的条件.
• 个性化对于在不同数据集和场景中部署SCG分析模型至关重要.
• 整合来自多个传感器 (加速计和陀螺仪) 的数据,可提供更全面的心脏信号分析.