一种深度卷积方法用于从热图指导数据增强的胆心图信号检测高血压
Renjie Cheng1, Yi Huang1, Wei Hu1
1Shenzhen HUAYI Medical Technologies Co., Ltd., Shenzhen 518055, China.
Bioengineering (Basel, Switzerland)
|March 28, 2025
概括
这项研究介绍了BH-Net,这是一个深度学习模型,用于使用弹性心电图 (BCG) 信号检测高血压. 这种新的方法实现了高精度,为高血压监测提供了一个有前途的非接触式方法.
科学领域:
- 生物医学工程 生物医学工程
- 心血管健康 心血管健康
- 人工智能在医学中的应用
背景情况:
- 高血压 (HPT) 是中风,冠状动脉疾病和心力衰竭的主要危险因素.
- 无接触检测和HPT的持续监测是具有挑战性的临床需求.
- 弹性心电图 (BCG) 信号反映了心跳诱导的身体运动,为HPT评估提供了潜力.
研究的目的:
- 开发一个端到端的深卷积模型 (BH-Net) 用于使用BCG信号检测高血压.
- 提出一个数据增强方案,以提高BCG的HPT检测的准确性.
- 根据现有最先进的方法,评估拟议的模型和数据增强.
主要方法:
- 一个端到端的深层卷积神经网络,称为BH-Net,被设计用于HPT检测.
- 实施了一种新的数据增强技术,专注于BCG时间序列中的J峰社区.
- 使用公开的BCG数据集,严格评估了BH-Net模型和数据增强方案.
主要成果:
- 拟议的BH-Net模型的平均准确率为97.93%,平均F1得分为97.62%.
- 该模型显著超过了使用BCG检测HPT的现有最先进方法.
- 数据增强方案明显提高了传统机器学习和比较深度学习模型的性能.
结论:
- BH-Net是一种高效的深度学习方法,用于通过BCG信号通过非接触式高血压检测.
- 拟议的数据增强策略提高了基于BCG的HPT检测的稳定性和准确性.
- 这项研究为高血压查和监测提供了一个有希望的,非侵入性的工具.


