一种用于检测弹性心电图信号中的运动器件的混合模型
Yuelong Jiang1,2,3, Han Zhang4,5, Qizheng Zeng1,2
1School of Electronics Science & Engineering (School of Microelectronics), South China Normal University, Foshan, 528200, China.
Biomedical engineering online
|July 23, 2025
概括
一个新的混合模型使用双通道方法准确地检测出弹性心电图 (BCG) 信号中的运动器件. 这一进步改善了非接触式健康监测,特别是在家庭睡眠研究中.
科学领域:
- 无接触健康监测 无接触健康监测
- 生物医学信号处理
- 医疗保健中的人工智能
背景情况:
- 压电传感可实现非接触式生命体征监测,这对于家庭睡眠研究至关重要.
- 运动工件显著扭曲了压电信号,损害了数据可靠性.
- 现有的文物检测方法与运动的复杂性和可变性作斗争.
研究的目的:
- 开发和评估一种混合模型,用于在弹性心电图 (BCG) 信号中准确检测运动器件.
- 提高非接触式健康监测系统的可靠性,特别是在睡眠研究中.
主要方法:
- 开发了一种双通道混合模型,将双向门式循环单元与完全卷积网络 (BiGRU-FCN) 深度学习模型集成在一起.
- 第二个通道使用多尺度标准偏差实证值来检测运动.
- 该模型是通过通过压电传感器获得的睡眠呼吸暂停患者的BCG数据进行训练和验证的.
主要成果:
- 混合型号实现了98.61%的高分类准确度,用于运动文物检测.
- 在非运动间隔中观察到4.61%的低有效信号损失比.
- 该模型在10名睡眠呼吸暂停患者的数据上表现出强的性能.
结论:
- 拟议的混合模型在BCG运动工件检测方面显著优于现有方法.
- 深度学习和经验值的整合提高了准确性和稳定性.
- 该模型为改善可靠的家庭睡眠监测和其他健康应用提供了宝贵的工具.
