深度学习框架用于使用智能手机IMU传感器检测心脏呼吸系统疾病.

科学领域:

• 生物医学工程 生物医学工程
• 数字健康数字健康
• 心脏呼吸系统医学 呼吸系统医学

背景情况:

• 心血管和呼吸道疾病构成了全球重大健康挑战.
• 对于早期检测而言,急需可访问,具有成本效益的查工具.
• 当前的远程监控解决方案往往需要专门的设备,或者无法广泛使用.

研究的目的:

• 开发和验证基于智能手机的框架,用于早期检测心肺呼吸系统疾病.
• 为了利用惯性测量单元 (IMU) 传感器进行非侵入性呼吸机动力学获取.
• 建立一个具有成本效益和可访问的远程健康监测解决方案.

主要方法:

• 使用的商品智能手机配有IMU传感器 (加速计,陀螺仪) 来收集数据.
• 实施了一项标准化的协议,涉及从五个胸腔腹部区域获取数据.
• 采用双向循环神经网络 (BRNN) 在信号预处理和呼吸周期细分后对健康个体与心血管疾病患者进行二元分类.

主要成果:

• 该BRNN模型实现了强大的分类性能:平均灵敏度为0.81±0.02,特异性为0.82±0.05,F1得分为0.81±0.02,精度为80.2%±3.9.
• 该模型证明了对独立数据集的概括能力,达到74.8%±4.5.5%的真负率.
• 该框架成功地区分了健康个体和手术前的患者,这些患者患有诸如膜衰竭,冠状动脉疾病和大动脉动脉瘤等疾病.

结论:

• 拟议的基于智能手机的框架为早期心肺呼吸系统疾病检测提供了一个有希望的,非侵入性的,低成本的方法.
• 该技术适用于远程健康监测,特别是在资源有限的环境和公共卫生危机期间.
• 该研究支持通过加强早期诊断和远程患者管理来改善公共卫生结果的潜力.